Recognition before Learning: Travelling Waves and Fixed Network Dynamics Support Translation-Invariant Categorization
Questo articolo dimostra che un'architettura di rete spiking fissa, che utilizza onde viaggianti per generare risposte di popolazione strutturate, può ottenere la categorizzazione invariante per traslazione di pattern visivi senza richiedere un apprendimento sinaptico preventivo.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Come il cervello riconosca un volto, una lettera o un oggetto familiare indipendentemente da dove appaia nella nostra visione è uno dei più duraturi enigmi della neuroscienza. Non abbiamo bisogno di imparare ogni volta che vediamo una tazza a sinistra o una tazza a destra che si tratti ancora di una tazza; il nostro sistema visivo gestisce questo spostamento senza sforzo. Per decenni, la spiegazione prevalente è stata che il cervello debba apprendere questi schemi attraverso l'esperienza, regolando lentamente le connessioni tra i suoi miliardi di neuroni finché non sia in grado di identificare le forme a prescindere da dove si trovino. Questa visione presuppone che la capacità del cervello di categorizzare il mondo sia costruita interamente da zero attraverso l'esperienza. Tuttavia, un nuovo studio mette in discussione questa ipotesi, suggerendo che l'hardware del cervello possa essere pre-cablato con la capacità di riconoscere gli schemi prima ancora che avvenga qualsiasi apprendimento. La ricerca si concentra su una specifica regione del cervello chiamata ippocampo, nota per il suo ruolo nella memoria, ed esplora come la tempistica dei segnali elettrici, piuttosto che solo la loro intensità, possa creare una mappa del mondo che sia già organizzata per il riconoscimento.
Lo studio, condotto da Hubert Löffler e Andreas Bahmer, introduce un modello informatico di una rete neurale progettata per mimare l'architettura dell'ippocampo. In questo modello, i ricercatori non hanno insegnato alla rete a riconoscere le forme. Al contrario, l'hanno alimentata con schemi di luce e buio — come linee, blocchi, numeri scritti a mano e lettere stampate — e hanno osservato come la rete rispondeva. La chiave del loro approccio è stato un meccanismo chiamato onda viaggiante. Immaginate un'onda di eccitabilità che si muove attraverso un foglio di neuroni, proprio come un incresparsi che si muove su uno stagno. Mentre questa onda passa sopra un modello visivo, converte la posizione di ogni parte attiva di quel modello in un momento specifico nel tempo. Una parte dell'immagine a sinistra potrebbe attivare un neurone un millisecondo prima di una parte a destra. Questo processo trasforma un'immagine statica in una precisa sequenza di impulsi elettrici, dove l'ordine di attivazione trasporta l'informazione sulla geometria della forma.
I ricercatori hanno poi osservato cosa accadeva quando questa sequenza di impulsi raggiungeva lo strato successivo della rete. Sorprendentemente, hanno scoperto che la rete poteva distinguere tra diverse categorie di forme senza essere stata addestrata su di esse. Quando al modello veniva mostrato uno zero, un uno o un due scritti a mano, il modello di attività elettrica risultante era distinto per ciascun numero, anche se la rete non aveva mai visto questi numeri prima d'ora. La rete poteva distinguere tra una linea orizzontale e una verticale, o tra un quadrato e un rettangolo, semplicemente basandosi sul cablaggio fisso e sulla tempistica dei segnali. Questa scoperta suggerisce che la struttura fisica del cervello e il modo in cui i segnali viaggiano attraverso di esso possono generare una rappresentazione strutturata del mondo che è pronta all'uso immediatamente, molto prima che il cervello inizi a categorizzare schemi specifici attraverso l'esperienza.
Per testare se questo riconoscimento fosse davvero robusto, i ricercatori hanno spostato le forme in diverse posizioni sullo schermo. In molti sistemi di visione artificiale, spostare un oggetto cambia il modello di attività in modo così drastico che il sistema fallisce nel riconoscere l'oggetto come lo stesso. In questo modello, tuttavia, i ricercatori hanno utilizzato un metodo di lettura dei risultati che ignorava la posizione assoluta dell'attività. Si sono concentrati solo sulla disposizione relativa degli impulsi. Anche quando le forme venivano spostate in nuove posizioni non viste in precedenza, la rete continuava a categorizzarle correttamente. Per forme geometriche semplici come linee e blocchi, il modello ha raggiunto un'accuratezza quasi perfetta. Ha inoltre ottenuto buoni risultati su modelli più complessi, identificando correttamente cifre scritte a mano e lettere stampate a tassi molto superiori al caso. Ciò indica che la capacità della rete di riconoscere le forme non dipendeva dal memorizzare dove si trovassero, ma piuttosto dalla struttura inerente del segnale stesso.
Uno dei risultati più inaspettati è stato che l'onda viaggiante stessa non era strettamente necessaria affinché questo riconoscimento funzionasse, a patto che le connessioni tra i neuroni fossero abbastanza strette. I ricercatori hanno testato cosa accadeva rimuovendo l'onda e inviando tutti i segnali contemporaneamente. Hanno scoperto che, se le connessioni erano strette e focalizzate, la rete poteva comunque categorizzare le forme con precisione. Tuttavia, se le connessioni erano ampie e disperse, i segnali diventavano un groviglio confuso e la rete perdeva la capacità di distinguere le forme. Questo ha rivelato che il vero potere dell'onda viaggiante risiede nella sua capacità di mantenere la risposta del cervello focalizzata e localizzata. Funge da filtro che assicura che solo i segnali rilevanti arrivino al momento giusto per essere elaborati, impedendo al cervello di essere sopraffatto dal rumore, anche quando le connessioni fisiche sono ampie.
Lo studio ha anche esplorato se l'apprendimento potesse migliorare questo sistema. I ricercatori hanno permesso alle connessioni all'interno della rete di cambiare, simulando il processo di apprendimento. Hanno scoperto che questo apprendimento non migliorava la categorizzazione delle forme. La rete stava già operando al suo apice con le sue connessioni fisse e immutabili. Ciò suggerisce che la capacità iniziale di riconoscere gli schemi sia una proprietà del design del cervello, non il risultato della pratica. L'apprendimento, in questa visione, potrebbe servire a uno scopo diverso, come il raffinamento di questi riconoscimenti iniziali o la gestione di compiti più complessi, ma la capacità fondamentale di separare una forma dall'altra sembra essere integrata nel sistema.
Questo lavoro offre una nuova prospettiva su come il cervello elabori le informazioni. Suggerisce che il cervello non parta come una tabula rasa che deve essere riempita di conoscenza attraverso tentativi ed errori. Invece, la disposizione fisica del cervello e il modo in cui le onde elettriche si muovono attraverso di esso forniscono una base di ordine. Questa struttura preesistente permette al cervello di organizzare istantaneamente il mondo visivo in categorie distinte, pronte per l'elaborazione successiva. Le scoperte implicano che ciò che spesso consideriamo "apprendimento" potrebbe essere in realtà l'affinamento di un sistema che è già capace di comprendere il mondo in modo significativo. Dimostrando che le reti fisse possono supportare una categorizzazione invariante per traslazione, lo studio evidenzia l'importanza dell'architettura cerebrale e della tempistica dei suoi segnali, suggerendo che la capacità di riconoscere un volto o una lettera è tanto un prodotto del design del cervello quanto dei nostri esperimenti.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.