Regola di Hebb

More documents

Recommendations

Info

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.
Tesina per il corso di Neuroscienze. - Ph.D. Scienze Cognitive. 3 di eccitamento della cellula B (la cellula postsinaptica), qualche cambiamento strutturale o metabolico subentra in una o entrambe le cellule in modo che l’efficienza di A, come cellula eccitatrice di B, aumenti. Un ulteriore contributo di Hebb alla teoria connessionista e alle neuroscienze computazionali è stata quella di espandere la regola di Hebb a gruppi di neuroni: eccitandosi insieme questi formano raggruppamenti cellulari associativi. Secondo il pensiero di Hebb l’attività cognitiva è determinata dall’attivazione sequenziale di questi insiemi. La più semplice delle formulazioni matematiche proposte per descrivere la regola di Hebb è la seguente: ∆wij = ηxixj ∆wij rappresenta la variazione dell’efficienza sinaptica tra il neurone i e il neurone j, η la velocità di adattamento. Risulta evidente che se le due cellule si attivano contemporaneamente l’efficienza della sinapsi che le collega viene rafforzata. Questo permette di dar luogo ad un fenomeno di adattamento associativo che prescinde dalla presenza di una supervisione esterna all’attività neuronale. 3 Long-Term Potentiation e le evidenze sperimentali della “Regola di Hebb” Le sinapsi che mettono in moto meccanismi associativi del tipo descritto dalla “learning hebbian rule” vengono tipicamente chiamate “sinapsi hebbiane”. La presenza di queste all’interno del cervello umano è stata provata oltre venti anni dopo la postulazione di Hebb. Ed è stata inoltre ricondotta a varie e distinte manifestazioni di attività intellettuale legate all’apprendimento. Nel 1973 Bliss e Lømo [4] hanno sperimentalmente osservato che applicando treni di stimoli ad alta frequenza in una qualsiasi delle vie afferenti all’ippocampo (le tre tipologie di vie e i campi neuronali sono rappresentati in figura 1) si genera un aumento dei potenziali postsinaptici eccitatori. Questo fenomeno fu chiamato Potenziamento a Lungo Termine (LTP: Long-Term Potentiation, del quale è stato registrato anche l’inverso, la LTD: Long-Term Depression). Per indurre l’insorgere della LTP viene introdotto un elettrodo per la stimolazione extracellulare delle vie afferenti. Un secondo elettrodo, di registrazione, è posto in diretto contatto con il neurone di uscita e ne misura il potenziale di membrana. Il test (che è stato riprosto in figura 2) viene condotto per fasi: 1. per prima cosa si stimolano le vie afferenti con una frequenza scarsa, insufficiente a far scaturire un potenziale d’azione; viene registrata la
Page 1: Un ponte tra apprendimento biologic
Page 5 and 6: Tesina per il corso di Neuroscienze
Page 7: Tesina per il corso di Neuroscienze

Regola di Hebb

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?