Regola di Hebb

Tesina per il corso di Neuroscienze. - Ph.D. Scienze Cognitive. 2
simulazione informatica.
Questa enorme ricchezza delle componenti elettrochimiche è stata negata
nel modello simulativo artificiale ed il risultato è stato una scarsa capacità
adattiva e plastica del neurone preso come unità indipendente [1]. Ne
è emersa la necessità di escogitare efficienti algoritmi adattivi per reti di
neuroni. La soluzione più brillante adottata dagli informatici a questo fine
è stata l’idea della retropropagazione dell’errore [2]. Questa tecnica ha
permesso la regolazione dei pesi sinaptici in modo molto semplice, prendendo
direttamente spunto dall’architettura della rete neuronale.
L’algoritmo di BackPropagation, oltre a fornire un sensibile incremento
delle capacità di apprendimento delle ANN, ha però anche accentuato le
distanze tra i modelli neurali biologici e artificiali, decretando una netta separazione
delle due discipline: l’apprendimento in BackPropagation su reti
multistrato alimentate in avanti rappresenta uno straordinario strumento
matematico-statistico di approssimazione e ottimazione in sistemi non lineari,
ma un abissale salto in dietro nel tentativo di riprodurre l’attività
intelligente del cervello umano.
Vi sono stati tentativi di produrre algoritmi di learning biologicamente
plausibili. Il problema con cui si sono regolarmente imbattuti è stato quello
di permettere l’addestramento anche in presenza di funzioni non linearmente
separabili.
Ultimamente sono emersi alcuni esempi in cui questo problema sembrerebbe
superato. Quasi tutte queste ipotesi fanno capo ad un’unica regola di
modulazione adattiva della risposta sinaptica: la “regola di Hebb”. Vale la
pena soffermarsi su questa, prima di accennare alle sue evoluzioni più recenti,
e di osservare le evidenze sperimentali che ne dimostrano la plausibilità
biologica.
2 Descrizione della “Regola di Hebb”
Questa regola rappresenta un modello ”ponte” tra apprendimento biologico e
artificiale. Essa riesce a descrivere la capacità adattiva delle unità neuronali
in contesti di apprendimento associativo.
La sua formulazione originale, del 1949, è fornita dalla seguente postulazione
(meramente teorica) di Donald Hebb [3]: quando un assone della
cellula A (la cellula presinaptica) prende parte ripetitivamente nel processo
modo da ridurre l’errore del sistema rispetto ai valori target, nel secondo caso invece non
vi è nessuna label associata agli esempi e il sistema cerca autonomamente di scovare delle
similitudini tra i pattern in modo da poterli organizzare in classi. Vi è un terzo modello,
intermedio, in cui gli esempi sono privi di valori attribuiti a priori (in modo analogo
all’apprendimento non-supervisionato) e in cui il concetto di errore è stato sostituito da
un valore di rinforzo che segnala il comportamento positivo o negativo rispetto al pattern
osservato. Il learning per rinforzo è sicuramente quello che più ricorda gli schemi di
apprendimento umani.