On Image classification using spiking membrane systems with structural plasticity and spike time dependent plasticity rules

Negli angoli silenziosi dell'informatica, un ramo specifico della ricerca cerca di costruire macchine che pensino più come gli esseri viventi. Per decenni, l'intelligenza artificiale standard si è basata su modelli matematici che elaborano le informazioni in flussi costanti e continui, proprio come una calcolatrice che macina numeri. Ma il cervello umano funziona diversamente. Comunica attraverso brevi e acuti impulsi elettrici chiamati spike, e le connessioni tra le sue cellule non sono fisse; esse crescono, si restringono e si riconnettono in base all'esperienza. Questo campo, noto come calcolo naturale, tenta di catturare quel dinamismo biologico. L'obiettivo è creare sistemi che non si limitino a calcolare, ma che si adattino, imparando dalla tempistica dei segnali e dalla struttura fisica delle proprie reti.

Un team di ricercatori a Calcutta ha compiuto un passo significativo in questa direzione, progettando un nuovo tipo di modello informatico che imita questi comportamenti biologici. Si sono concentrati su una sfida specifica: il riconoscimento di lettere scritte a mano. Mentre i computer standard possono leggere facilmente il testo, spesso faticano quando l'input è disordinato o distorto. I ricercatori volevano vedere se un sistema capace di riorganizzare fisicamente le proprie connessioni interne, regolando al contempo la forza di tali connessioni, potesse gestire il rumore meglio dei metodi esistenti. Il loro lavoro introduce un modello che combina due potenti concetti biologici: la capacità di creare e cancellare connessioni al volo e la capacità di apprendere dalla precisa tempistica dei segnali.

I ricercatori hanno costruito un cervello digitale composto da unità semplici che agiscono come neuroni. A differenza delle reti tradizionali dove il percorso tra due punti è permanente, questo sistema permette alle connessioni stesse di cambiare. Quando arriva un segnale, il sistema può decidere di costruire un nuovo ponte tra due unità o di abbattere uno vecchio. Questo è chiamato plasticità strutturale. Allo stesso tempo, il sistema utilizza una regola di apprendimento ispirata a come i cervelli umani rafforzano i ricordi. Se due unità si attivano contemporaneamente, la connessione tra di esse si rafforza; se si attivano fuori sincrono, la connessione si indebolisce. Questo doppio approccio permette al sistema non solo di imparare quali segnali siano importanti, ma anche di riconfigurare fisicamente la propria rete per concentrarsi sui pattern corretti.

Per testare questa idea, il team ha creato un dataset sintetico di lettere inglesi. Hanno preso semplici griglie di pixel di 7x5, dove i pixel neri rappresentavano la lettera e quelli bianchi lo sfondo. Hanno convertito queste griglie in sequenze di impulsi elettrici. Per simulare le imperfezioni del mondo reale, hanno invertito casualmente alcuni dei bit nei dati, trasformando i pixel neri in bianchi e viceversa, creando tre livelli di rumore: basso, medio e alto. Hanno poi alimentato queste sequenze rumorose nel loro nuovo modello e hanno osservato quanto bene riuscisse a identificare le lettere. Hanno confrontato i risultati con un modello precedente che utilizzava solo la regola di apprendimento basata sulla tempistica senza la capacità di ricablare le proprie connessioni.

I risultati hanno mostrato che il nuovo sistema era straordinariamente resiliente. Quando i dati erano perfettamente puliti, il modello identificava le lettere con un'accuratezza media di quasi il 99,8%. Ancora più importante, man mano che il rumore aumentava, il nuovo modello manteneva la posizione meglio del precedente. In scenari con livelli di rumore medio e alto, dove il vecchio modello iniziava a vacillare, il nuovo sistema manteneva un'accuratezza superiore. Ad esempio, quando sette bit del pattern di 35 bit venivano invertiti, il nuovo modello riusciva ancora a riconoscere le lettere correttamente circa l'80 percento delle volte, superando il benchmark precedente. I ricercatori hanno scoperto che la capacità di creare e cancellare dinamicamente le connessioni permetteva al sistema di filtrare gli errori casuali e concentrarsi sulla forma centrale della lettera.

Lo studio ha anche evidenziato un compromesso. Sebbene il nuovo modello fosse più robusto e accurato in condizioni di rumore, richiedeva più risorse computazionali per gestire il complesso processo di ricablaggio e regolazione dei pesi. Il vecchio modello, più semplice, era più veloce e leggero ma meno capace di gestire distorsioni significative. I ricercatori hanno osservato che il loro lavoro funge da prova di concetto, dimostrando che un sistema può evolvere la propria struttura per risolvere problemi. Hanno utilizzato un dataset sintetico generato da template piuttosto che da fotografie del mondo reale, il che significa che i risultati si applicano specificamente a questo tipo di compito di riconoscimento dei pattern. Tuttavia, il successo suggerisce che combinare i cambiamenti strutturali con l'apprendimento basato sulla tempistica potrebbe essere una strategia potente per costruire macchine che non siano solo intelligenti, ma anche capaci di adattarsi alla natura disordinata e imprevedibile dei dati del mondo reale.