Il modo in cui un singolo neurone elabora le informazioni non è mai lo stesso
In un articolo pubblicato sulla rivista “Cell Reports”, i ricercatori del Blue Brain Project dell’EPFL hanno sviluppato un nuovo quadro per capire come funziona un singolo neurone nel cervello.
L’analisi è stata eseguita utilizzando cellule della corteccia di roditore virtuale del cervello blu. I ricercatori si aspettano che altri tipi di neuroni operino allo stesso modo.
I loro risultati mostrano che quando un neurone riceve un input, i rami degli elaborati recettori ad albero che si estendono dal neurone, noti come dendriti, funzionano funzionalmente insieme in un modo che è adattato alla complessità dell’input.
La forza di una sinapsi determina quanto fortemente un neurone percepisca un segnale elettrico proveniente da altri neuroni e l’atto dell’apprendimento cambia questa forza. Analizzando la “matrice di connettività” che determina come queste sinapsi comunicano tra loro, l’algoritmo stabilisce quando e dove le sinapsi si raggruppano in unità di apprendimento indipendenti dalle proprietà strutturali ed elettriche dei dendriti. In altre parole, il nuovo algoritmo determina come i dendriti dei neuroni si dividono funzionalmente in unità di calcolo separate e scopre che lavorano insieme in modo dinamico, a seconda del carico di lavoro, per elaborare le informazioni.
I ricercatori hanno paragonato i loro risultati al funzionamento della tecnologia informatica già implementata oggi. Questa funzionalità dendritica appena osservata agisce come unità di calcolo parallelo, il che significa che un neurone è in grado di elaborare diversi aspetti dell’input in parallelo, come i supercomputer. Ognuna delle unità di calcolo parallele può imparare autonomamente a regolare il proprio output, proprio come i nodi nelle reti di deep learning utilizzate oggi nei modelli di intelligenza artificiale. Paragonabile al cloud computing, un neurone si suddivide in modo dinamico nel numero di unità di calcolo separate richieste dal carico di lavoro dell’input.
“Nel Blue Brain Project, questo approccio matematico aiuta ad accertare cluster funzionalmente rilevanti di input neuronale che sono input che alimentano la stessa unità di elaborazione parallela. Questo ci consente quindi di determinare il livello di complessità con cui modellizzare le reti corticali mentre ricostruiamo e simuliamo il cervello in modo digitale”, spiega Marc-Oliver Gewaltig, Responsabile di sezione della Simulation Neuroscience Division di Blue Brain.
Inoltre, la ricerca rivela come queste unità di elaborazione parallele influenzino l’apprendimento, cioè il cambiamento nella forza di connessione tra diversi neuroni. Il modo in cui un neurone impara dipende dal numero e dalla posizione dei processori paralleli, che a loro volta dipendono dai segnali provenienti da altri neuroni. Per esempio, certe sinapsi che non imparano indipendentemente quando il livello di input del neurone è basso, iniziano a imparare indipendentemente quando i livelli di input sono più alti.
Ad oggi, gli algoritmi di apprendimento tradizionali presumono che i neuroni siano unità statiche che si limitano a integrare e ridimensionare i segnali in ingresso. Al contrario, i risultati mostrano che il numero e la dimensione delle sottounità indipendenti possono essere controllati da un’input bilanciato o dall’inibizione dello smistamento. I ricercatori suggeriscono che questo controllo temporaneo della compartimentazione costituisce un potente meccanismo per l’apprendimento specifico delle caratteristiche di input.
“Il metodo rileva che in molti stati del cervello, i neuroni hanno molti meno processori paralleli di quelli attesi dai pattern di branca dendritica. Pertanto, molte sinapsi sembrano essere in “zone grigie” in cui non appartengono a nessuna unità di elaborazione”, spiega il primo autore Willem Wybo. “Tuttavia, nel cervello, i neuroni ricevono diversi livelli di input in background e i nostri risultati mostrano che il numero di processori paralleli varia con il livello di input in background, indicando che lo stesso neurone potrebbe avere diversi ruoli computazionali in diversi stati cerebrali.”
“Siamo particolarmente entusiasti di questa osservazione poiché getta una nuova luce sul ruolo degli stati up/down nel cervello e fornisce anche una ragione per cui l’inibizione corticale è così specifica per la posizione. Con le nuove intuizioni, possiamo iniziare a cercare algoritmi che sfruttino i rapidi cambiamenti nell’associazione tra le unità di elaborazione, offrendoci più informazioni sulla questione fondamentale di come il cervello calcola”, conclude Gewaltig.
