Ricercatori del Computational Neuroscience Lab dell'Università di Tartu, in Estonia, hanno scoperto che le attivazioni delle reti neurali convoluzionali profonde sono allineate con l'attività della banda gamma della corteccia visiva umana. Il loro studio, pubblicato in Biologia della comunicazione , evidenzia ulteriormente il potenziale dell'intelligenza artificiale (AI) per ampliare la comprensione del cervello umano.

La capacità umana di riconoscere visivamente gli oggetti è mediata da una gerarchia di rappresentazioni di caratteristiche complesse lungo il flusso ventrale. Ricerche precedenti hanno scoperto che queste sono simili alla gerarchia delle trasformazioni apprese dalle reti neurali convoluzionali profonde (DCNN) addestrate sulle immagini.

"Da ricerche precedenti sapevamo che esiste una corrispondenza tra l'architettura gerarchica del sistema visivo umano e l'architettura a strati dei DCNN, "Jaan Aru, Raul Vicente, e Ilya Kuzovkin, tre dei ricercatori che hanno condotto lo studio, ha detto a TechXplore. "Però, questa ricerca si è basata su tecniche di neuroimaging come fMRI e MEG, ognuno dei quali ha i suoi limiti."

L'imaging MEG cattura solo l'attività media di grandi popolazioni di neuroni contemporaneamente, mentre l'fMRI non acquisisce informazioni temporali. Quindi, i ricercatori hanno deciso di raccogliere il loro set di dati utilizzando elettrodi intracranici impiantati direttamente nel cervello dei loro soggetti di prova. Questa tecnica può identificare quando si verifica l'attività cerebrale, la sua posizione anatomica, e come cambia nel tempo.

"Questo ci ha permesso di esplorare più in dettaglio l'attività che governa l'elaborazione visiva nel cervello umano e caratterizzare più precisamente quale tipo di attività ha somiglianze con l'attività dei DCNN, " hanno detto i ricercatori.

I DCNN sono un tipo di algoritmo di apprendimento automatico per la visione artificiale, che si comportano particolarmente bene nelle attività di riconoscimento degli oggetti. La loro caratteristica fondamentale è che acquisiscono regole per classificare gli oggetti automaticamente, senza ingegneri umani che li delineano.

Durante l'allenamento, I DCNN sono addestrati su migliaia di immagini di oggetti (ad esempio gatti, alberi, macchine, eccetera.), imparare a distinguere le caratteristiche visive di ciascuna di queste categorie. Gli algoritmi possono quindi identificare correttamente gli oggetti in immagini che non hanno mai incontrato prima, con una precisione fino al 95%.

"Un DCNN è costituito da strati di neuroni artificiali, con ogni livello che esegue determinate operazioni sull'immagine e quindi invia informazioni al livello successivo, " hanno detto i ricercatori. "Durante la formazione, l'algoritmo forma regole su quali informazioni devono essere inviate ai livelli superiori e quando."

Recenti studi hanno studiato i modelli esatti e le caratteristiche apprese da un DCNN. Hanno scoperto che quando ci si immerge più a fondo nei suoi strati, i modelli visivi rappresentati dai suoi neuroni diventano sempre più complessi.

"Il primo strato è responsabile del rilevamento di linee rette, cambiamenti di luminosità e altre semplici caratteristiche visive, " spiegano i ricercatori. "Questa informazione viene passata al secondo strato, che combina funzionalità semplici per costruire rilevatori in grado di identificare forme semplici. E così va avanti, diventando sempre più astratto ad ogni strato, con i neuroni dello strato superiore che rappresentano oggetti interi, come i gatti, cani e così via. Sapevamo che un fenomeno molto simile si osserva nella corteccia visiva umana, quindi la domanda ovvia era:quanto sono simili questi due sistemi, e quali sono le loro somiglianze?"

Quando si misurano le risposte elettriche dal cervello, i ricercatori osservano complessi modelli di attività. Questi modelli sono raggruppati in base alla loro frequenza:alfa (da otto a 14 volte al secondo), beta (da 15 a 30 Hz), gamma (da 30 a ~70 Hz), gamma alta (più di 70 Hz), e altre bande. È stato scoperto che queste bande di frequenza dipendono da diversi tipi di attività. Ad esempio, l'alfa è più forte quando gli umani sono rilassati, mentre beta e gamma aumentano durante l'impegno attivo in un'attività.

"Abbiamo scoperto che l'attività in gamma bassa (da 30 a 70 Hz) e gamma alta (da 70 a 150 Hz) sono meglio allineate con l'attività che si verifica nei DCNN, indicando che ciò che accade nel cervello a quelle frequenze è molto simile a ciò che stanno facendo i DCNN, " hanno detto i ricercatori.

Questi risultati sono in linea con ricerche precedenti che evidenziano l'importanza dell'attività gamma per il riconoscimento degli oggetti. Nel futuro, potrebbero aiutare a comprendere meglio i calcoli esatti che vengono riflessi dai segnali di frequenza gamma durante l'elaborazione visiva.

"L'ultima ricerca delle neuroscienze è capire come il cervello codifica, immagazzina e trasmette informazioni e come l'attivazione di miliardi di neuroni porti a complessi processi mentali, come capire un testo o comunicarlo ad un amico, " hanno detto i ricercatori. "Questo lavoro fornisce un altro pezzo di questo enorme puzzle, e mette in evidenza l'importante ruolo che gli algoritmi di intelligenza artificiale possono svolgere nella comprensione del cervello umano".

Il Computational Neuroscience Lab dell'Università di Tartu studia i sistemi di apprendimento biologico e artificiale fianco a fianco, poiché confrontarli potrebbe portare ad affascinanti scoperte biologiche. I ricercatori stanno ora lavorando a due ulteriori progetti, che costituirà il nucleo della tesi di dottorato di Kuzovkin.

"In uno dei progetti, esamineremo il funzionamento interno di un algoritmo che abbiamo addestrato per dare un senso ai dati del cervello umano; esplorando quale attività cerebrale ritiene utile per il compito finale e quale scarta. Ciò fornirà uno strumento per affrontare grandi volumi di attività e filtrare le parti rilevanti per un particolare compito mentale".

© 2018 Tech Xplore