Apprendimento automatico, introdotto 70 anni fa, si basa sull'evidenza delle dinamiche di apprendimento nel cervello. Utilizzando la velocità dei computer moderni e dei grandi set di dati, algoritmi di deep learning hanno recentemente prodotto risultati paragonabili a quelli di esperti umani in vari campi applicabili, ma con caratteristiche diverse che sono lontane dalle attuali conoscenze dell'apprendimento in neuroscienze.

Utilizzando esperimenti avanzati su colture neuronali e simulazioni su larga scala, un gruppo di scienziati della Bar-Ilan University in Israele ha dimostrato un nuovo tipo di algoritmi di intelligenza artificiale ultraveloci, basati su dinamiche cerebrali molto lente, che superano i tassi di apprendimento raggiunti fino ad oggi da algoritmi di apprendimento all'avanguardia.

In un articolo pubblicato oggi sulla rivista Rapporti scientifici , i ricercatori ricostruiscono il ponte tra neuroscienze e algoritmi avanzati di intelligenza artificiale che è rimasto praticamente inutile per quasi 70 anni.

"L'attuale punto di vista scientifico e tecnologico è che la neurobiologia e l'apprendimento automatico sono due discipline distinte che sono avanzate in modo indipendente, " ha detto l'autore principale dello studio, Prof. Ido Kanter, del Dipartimento di Fisica dell'Università di Bar-Ilan e del Centro di ricerca multidisciplinare sul cervello di Gonda (Goldschmied). "L'assenza di un'influenza reciproca prevedibile è sconcertante".

"Il numero di neuroni in un cervello è inferiore al numero di bit in una dimensione tipica del disco dei moderni personal computer, e la velocità di calcolo del cervello è come la lancetta dei secondi di un orologio, ancora più lento del primo computer inventato oltre 70 anni fa, " ha continuato. "Inoltre, le regole di apprendimento del cervello sono molto complicate e lontane dai principi delle fasi di apprendimento negli attuali algoritmi di intelligenza artificiale, " ha aggiunto il prof. Kanter, il cui team di ricerca include Herut Uzan, Shira Sardi, Amir Goldental e Roni Vardi.

Le dinamiche cerebrali non rispettano un orologio ben definito sincronizzato per tutte le cellule nervose, poiché lo schema biologico deve far fronte a input asincroni, man mano che la realtà fisica si sviluppa. "Guardando avanti si osserva subito una cornice con più oggetti. Ad esempio, mentre si guida si osservano automobili, attraversamenti pedonali, e segnaletica stradale, e può facilmente identificare il loro ordinamento temporale e le relative posizioni, " ha affermato il Prof. Kanter. "L'hardware biologico (regole di apprendimento) è progettato per gestire gli input asincroni e perfezionare le loro informazioni relative". i tradizionali algoritmi di intelligenza artificiale si basano su input sincroni, quindi la tempistica relativa di diversi ingressi che costituiscono lo stesso frame viene tipicamente ignorata.

Il nuovo studio dimostra che i tassi di apprendimento ultraveloci sono sorprendentemente identici per reti piccole e grandi. Quindi, dicono i ricercatori, "lo svantaggio del complicato schema di apprendimento del cervello è in realtà un vantaggio". Un'altra scoperta importante è che l'apprendimento può avvenire senza fasi di apprendimento attraverso l'autoadattamento secondo input asincroni. Questo tipo di apprendimento-senza-apprendimento avviene nei dendriti, diversi terminali di ciascun neurone, come è stato recentemente osservato sperimentalmente. Inoltre, le dinamiche di rete nell'ambito dell'apprendimento dendritico sono governate da pesi deboli che in precedenza erano ritenuti insignificanti.

L'idea di algoritmi di deep learning efficienti basati sulla dinamica del cervello molto lento offre l'opportunità di implementare una nuova classe di intelligenza artificiale avanzata basata su computer veloci. Richiede la reiniziazione del ponte dalla neurobiologia all'intelligenza artificiale e, come conclude il gruppo di ricerca, "Le intuizioni sui principi fondamentali del nostro cervello devono essere ancora una volta al centro della futura intelligenza artificiale".