Chiamalo uno sviluppo a-MAZE-ing:un team di ricercatori con sede nel Regno Unito ha sviluppato un programma di intelligenza artificiale che può imparare a prendere scorciatoie attraverso un labirinto per raggiungere il suo obiettivo. Nel processo, il programma ha sviluppato strutture simili a quelle del cervello umano.

L'emergere di queste "celle griglia" computazionali, " descritto nel giornale Natura , potrebbe aiutare gli scienziati a progettare un software di navigazione migliore per i futuri robot e persino offrire una nuova finestra attraverso la quale sondare i misteri del cervello dei mammiferi.

Negli ultimi anni, I ricercatori di intelligenza artificiale hanno sviluppato e messo a punto reti di deep learning, programmi a più livelli che possono fornire nuove soluzioni per raggiungere l'obiettivo assegnato. Per esempio, una rete di deep learning può dire quale volto identificare in una serie di foto diverse, e attraverso diversi cicli di formazione, può mettere a punto i suoi algoritmi finché non individua la faccia giusta praticamente ogni volta.

Queste reti sono ispirate dal cervello, ma non funzionano proprio come loro, disse Francesco Savelli, un neuroscienziato della Johns Hopkins University che non era coinvolto nell'articolo. Finora, I sistemi di intelligenza artificiale non si avvicinano all'emulazione dell'architettura del cervello, la diversità dei neuroni reali, la complessità dei singoli neuroni o anche le regole con cui apprendono.

"Si pensa che la maggior parte dell'apprendimento avvenga con il rafforzamento e l'indebolimento di queste sinapsi, "Savelli ha detto in un'intervista, riferimento alle connessioni tra i neuroni. "E questo vale anche per questi sistemi di intelligenza artificiale, ma esattamente come lo fai, e le regole che governano quel tipo di apprendimento, potrebbe essere molto diverso nel cervello e in questi sistemi."

Indipendentemente, L'intelligenza artificiale è stata davvero utile per una serie di funzioni, dal riconoscimento facciale alla decifrazione della scrittura e alla traduzione delle lingue, ha detto Savelli. Ma le attività di livello superiore, come la navigazione in un ambiente complesso, si sono rivelate molto più impegnative.

Un aspetto della navigazione che il nostro cervello sembra eseguire senza uno sforzo cosciente è l'integrazione del percorso. I mammiferi usano questo processo per ricalcolare la loro posizione dopo ogni passo che fanno tenendo conto della distanza percorsa e della direzione verso cui sono rivolti. Si pensa che sia la chiave per la capacità del cervello di produrre una mappa dell'ambiente circostante.

Tra i neuroni associati a queste "mappe cognitive":posizionare cellule, che si illuminano quando il loro proprietario si trova in un punto particolare dell'ambiente; cellule di direzione della testa, che dicono al loro proprietario in che direzione sono rivolti; e celle della griglia, che sembrano rispondere a un'immaginaria griglia esagonale mappata sul terreno circostante. Ogni volta che una persona passa su un "nodo" in questa griglia, il neurone si accende.

"Si pensa che le celle della griglia dotino la mappa cognitiva di proprietà geometriche che aiutano a pianificare e seguire traiettorie, " Savelli e il collega neuroscienziato della Johns Hopkins James Knierim hanno scritto in un commento al documento. La scoperta delle celle a griglia è valsa a tre scienziati il ​​Premio Nobel 2014 per la fisiologia o la medicina.

Gli esseri umani e gli altri animali sembrano avere pochissimi problemi a muoversi nello spazio perché tutti questi neuroni altamente specializzati lavorano insieme per dirci dove siamo e dove stiamo andando.

Scienziati di DeepMind, di proprietà di Google e University College London, si chiedevano se potevano sviluppare un programma che potesse anche eseguire l'integrazione dei percorsi. Così hanno addestrato la rete con simulazioni di percorsi utilizzati dai roditori in cerca di cibo. Hanno anche fornito dati per il movimento e la velocità di un roditore, nonché feedback da cellule di posizione simulate e cellule di direzione della testa.

Durante questa formazione, i ricercatori hanno notato qualcosa di strano:il roditore simulato sembrava sviluppare modelli di attività che assomigliavano notevolmente alle celle della griglia, anche se le celle della griglia non facevano parte del loro sistema di addestramento.

"L'emergere di unità a griglia è un esempio impressionante di deep learning che fa ciò che sa fare meglio:inventare un originale, rappresentazione interna spesso imprevista per aiutare a risolvere un compito, "Scrissero Savelli e Knierim.

Le celle della griglia sembrano essere così utili per l'integrazione del percorso che questo finto roditore ha trovato una soluzione stranamente simile a un vero cervello di roditore. I ricercatori si sono quindi chiesti:le celle griglia potrebbero essere utili anche in un altro aspetto cruciale della navigazione dei mammiferi?

Quell'aspetto, chiamata navigazione vettoriale, è fondamentalmente la capacità di calcolare il tiro dritto, distanza "in linea d'aria" da un obiettivo anche se in origine hai impiegato più tempo, percorso meno diretto. È un'abilità utile per trovare scorciatoie per la tua destinazione, ha sottolineato Savelli.

Per testare questo, i ricercatori hanno sfidato il finto roditore abilitato alla griglia a risolvere un labirinto, ma bloccava la maggior parte delle porte in modo che il programma avrebbe dovuto percorrere il lungo percorso verso il suo obiettivo. Hanno anche modificato il programma in modo che sia stato premiato per le azioni che lo hanno avvicinato all'obiettivo. Hanno addestrato la rete su un determinato labirinto e poi hanno aperto scorciatoie per vedere cosa è successo.

Abbastanza sicuro, il roditore simulato con le celle della griglia ha trovato rapidamente e ha utilizzato le scorciatoie, anche se quei percorsi erano nuovi e sconosciuti. E si è comportato molto meglio di un finto roditore il cui punto di partenza e punto di arrivo è stato tracciato solo da celle di posizione e celle di direzione della testa. Ha persino battuto un "esperto umano, " hanno detto gli autori dello studio.

I risultati alla fine potrebbero rivelarsi utili per i robot che si fanno strada attraverso un territorio sconosciuto, ha detto Savelli. E da una prospettiva neuroscientifica, potrebbero aiutare i ricercatori a capire meglio come questi neuroni svolgono il loro lavoro nel cervello dei mammiferi.

Certo, questo programma è stato molto semplificato rispetto alla sua controparte biologica, ha sottolineato Savelli. Nel roditore simulato, le "celle del posto" non sono cambiate, anche se le cellule del posto e le cellule della griglia si influenzano a vicenda in modi complessi nei cervelli reali.

"Sviluppando la rete in modo tale che lo strato place-cell possa essere modulato da input simili a griglia, potremmo iniziare a disfare questa relazione, "Scrissero Savelli e Knierim.

Sviluppare ulteriormente questo programma di intelligenza artificiale potrebbe aiutare gli scienziati a iniziare a comprendere tutte le complesse relazioni che entrano in gioco nei sistemi neurali viventi, hanno aggiunto.

Ma se vogliono affinare la tecnologia o usarla per capire la biologia, gli scienziati dovranno padroneggiare meglio i propri programmi di deep learning, le cui soluzioni ai problemi sono spesso difficili da decifrare anche se ottengono costantemente risultati, hanno detto gli scienziati.

"Rendere i sistemi di deep learning più intelligibili per il ragionamento umano è una sfida entusiasmante per il futuro, "Scrissero Savelli e Knierim.

©2018 Los Angeles Times
Distribuito da Tribune Content Agency, LLC.