Regola di Hebb

Tesina per il corso di Neuroscienze. - Ph.D. Scienze Cognitive. 6
modificazione
efficacia
sinaptica
ampiezza
intervallo tra
stimolo presinaptico
e stimolo postsinaptico
Fig. 3: Relazione tra ampiezza dell’intervallo tra gli stimoli pre e postsinaptici e
l’aggiornamento dell’efficacia sinaptica prodotto dal LTP.
Bi e Poo [8] hanno osservato che la variazione dell’efficacia sinaptica è
influenzata anche dalla distanza temporale tra gli spike. I due autori hanno
prodotto dei test in cui dei neuroni dell’ippocampo messi in coltura venivano
forzati ad avere degli spike in tempi determinati. Da questi esperimenti è
emersa una funzione che lega ∆wij/wij e t f
j − tf
i
, del tipo rappresentato
nel grafico in figura 3. Si può osservare agevolmente che quando la cellula
presinaptica (j) si attiva prima della cellula postsinaptica (i) l’efficacia
sinaptica cresce (e lo fa in maniera esponenziale col decrescere dell’intervallo
tra gli stimoli). Se, al contrario, la cellula j viene attivata successivamente a
i il legame sinaptico perde forza, in quanto lo spike su j non è stato indotto
da i.
5 Algoritmi biologicamente plausibili
Un primo esempio di algoritmo di learning che coniuga plausibilità biologica
ed efficacia in contesti di separabilità non lineare è quello fornito da Mazzoni,
Andersen e Jordan [9]. Nel loro modello teorico questi autori hanno
introdotto un valore di rinforzo sul comportamento del sistema (rinforzo
che è ben lungi dall’essere un indicatore dell’errore in output, come avviene
nell’apprendimento supervisionato) che va a colpire tutti i neuroni presenti
nell’architettura.
L’aggiornamento del peso sinaptico viene eseguito massimizzando il rinforzo
sul set di addestramento seguendo lo schema seguente:
∆wij = r(xi − pi)xj + xj + λ(1 − r)(1 − xi − pi)xi
dove pi è la probabilità (questa identifica quindi la presenza di un elemento
di randomizzazione nel learning) che il neurone xi presenti uno spike e r è
lo scalare di rinforzo compreso tra 0 (errore nell’output) e 1 (performance
perfetta).
I risultati sperimentali hanno messo in luce che questo algoritmo, privo
di retropropagazione dell’errore (e del concetto di errore stesso!) e privo di