I ricercatori propongono un nuovo approccio con “algoritmi evolutivi”

Mentre i nostri computer attuali eseguono azioni pre-programmate, ciò si contrappone al nostro cervello, che è altamente adattabile. La nostra capacità di adattamento dipende fortemente dalla plasticità sinaptica, con sinapsi che sono i punti di connessione tra i neuroni. I neuroscienziati sono profondamente affascinati dalla plasticità sinaptica poiché è fondamentale per i processi di apprendimento e memoria.

I ricercatori nel campo delle neuroscienze e dell’intelligenza artificiale (AI) sviluppano modelli per i meccanismi di questi processi sottostanti al fine di comprendere meglio il cervello. Questi modelli ci aiutano a comprendere il processo di elaborazione delle informazioni biologiche e sono fondamentali per aiutare le macchine a imparare più velocemente.

“Algoritmi evolutivi”

I ricercatori dell’Istituto di fisiologia dell’Università di Berna hanno ora sviluppato un nuovo approccio basato su “algoritmi evolutivi”, e questi programmi informatici cercano soluzioni imitando il processo di evoluzione biologica.

Il team di ricerca è stato guidato dal dottor Mihai Petrovici dell’Istituto di fisiologia dell’Università di Berna e dell’Istituto Kirchhoff per la fisica dell’Università di Heidelberg.

Lo studio è stato pubblicato sulla rivista eLife.

Tutto ciò significa che la fitness biologica, che è il grado in cui un organismo si adatta al suo ambiente, può essere un modello per gli algoritmi evolutivi. Con questi algoritmi, la “fitness” di una soluzione candidata dipende da quanto bene può risolvere il problema sottostante.

Tre scenari di apprendimento

Il nuovo approccio si chiama “evolving-to-learn” o “diventare adattivo”. Il team si è concentrato su tre scenari di apprendimento tipici, il primo dei quali prevedeva che un computer rilevasse un modello ripetuto in un flusso continuo di input senza ricevere feedback sulle sue prestazioni.

Il secondo scenario prevedeva che il computer ricevesse ricompense virtuali quando eseguiva un comportamento desiderato.

Il terzo scenario prevedeva un “apprendimento guidato” in cui il computer veniva informato esattamente di quanto il suo comportamento si discostasse da quello desiderato.

Il dottor Jakob Jordan è l’autore corrispondente e co-primo autore dell’Istituto di fisiologia dell’Università di Berna.

“In tutti questi scenari, gli algoritmi evolutivi sono stati in grado di scoprire meccanismi di plasticità sinaptica e quindi di risolvere con successo un nuovo compito”, ha detto il dottor Jordan.

Gli algoritmi hanno dimostrato una forte creatività.

Il dottor Maximilian Schmidt è co-primo autore dello studio.

“Ad esempio, l’algoritmo ha trovato un nuovo modello di plasticità in cui i segnali che abbiamo definito sono combinati per formare un nuovo segnale. In effetti, osserviamo che le reti che utilizzano questo nuovo segnale imparano più velocemente rispetto alle regole precedentemente note”, ha detto il dottor Schmidt.

“Vediamo E2L come un approccio promettente per ottenere profonde conoscenze sui principi di apprendimento biologico e accelerare il progresso verso potenti macchine di apprendimento”, ha detto Petrovoci.

“Speriamo che accelererà la ricerca sulla plasticità sinaptica nel sistema nervoso”, ha commentato il dottor Jordan.

Il team afferma che i nuovi risultati forniranno una comprensione più profonda di come funzionano i cervelli sani e malati e potrebbero aiutare nello sviluppo di macchine intelligenti che possono adattarsi agli utenti.