Reti neurali artificiali

Neuroscienze.net

Alcuni di voi avranno sentito parlare di Reti Neurali Artificiali, Artificial Neural Networks (ANN) in inglese, o Neural Networks tout-court. In una persona che si interessa alle neuroscienze, e quindi ai neuroni “naturali”, l’argomento deve senz’altro suscitare curiosità ed anche, speriamo, una certa perplessità. Tanto più che, come accade per le discipline alla moda (ad esempio la teoria del caos, frattali, ecc.), l’entusiasmo di chi divulga raramente si accompagna al rigore, anzi: si enunciano volutamente certi concetti tanto profondi quanto vaghi, per confondere il pubblico e lasciarlo nello stato di affascinata ignoranza. Va anche detto però che le suddette discipline sono giovani, evolvono rapidamente e pertanto sono difficili da formalizzare in maniera rigorosa. Questo articolo non ha l’ambizione di spiegare come funzionano le reti neurali, ma semplicemente di rispondere a due domande fondamentali che il neuroscienziato non-matematico può porsi: 1. Qual’è la relazione tra le ANN e il comportamento dei neuroni biologici? 2. A cosa servono le ANN?

Neuroni naturali e neuroni artificiali
Una rete neurale artificiale è un sistema computazionale, cioè un sistema di tecniche volto ad eseguire delle operazioni su dei numeri. Il nome è dovuto al fatto che la struttura e il funzionamento del suddetto sistema traggono ispirazione dal modello comunemente accettato del cervello umano. Fino ad un certo livello, il cervello può essere considerato come una rete di neuroni (cellule del sistema nervoso), ciascuno dei quali riceve segnali elettrochimici dai suoi vicini attraverso le sinapsi. Questi segnali costituiscono un input per il neurone in questione, ma non hanno tutti la stessa importanza e funzione, poiché vengono ponderati a seconda della “forza” della sinapsi stessa. I segnali ponderati vengono integrati (cioè sommati) e, se il risultato oltrepassa un certo valore soglia, il neurone “spara”, cioè si attiva, e diventa a sua volta portatore di un segnale che sarà comunicato ad altri neuroni. È anche noto che l’apprendimento comporta delle modifiche continue nelle sinapsi, le quali vengono create, distrutte, rinforzate o indebolite a seconda della quantità di informazione che circola nella rete e del feedback proveniente dall’ambiente esterno in seguito alla risposta della rete. In questa descrizione, il comportamento di un singolo neurone è estremamente semplice e ben si presta ad una descrizione matematica. I pionieri degli ANN si sono detti: visto che il cervello, che è costituito da unità operative e regole così semplici, può compiere operazioni di una complessità enorme (ad esempio individuare il volto di una persona nota in una foto), un sistema computazionale basato sulle stesse regole dovrebbe avere delle ottime “performance”. È così che sono nati gli ANN, sulla base di una analogia ispiratrice. Un ANN consiste generalmente in un software: i neuroni sono implementati come processori virtuali. Dato un input, un neurone artificiale calcola un output sulla base di una funzione matematica di attivazione. Il segnale in uscita è comunicato ai neuroni connessi attraverso le varie sinapsi che amplificano il segnale di un fattore detto “peso sinaptico”. I pesi sinaptici hanno un ruolo fondamentale per l’output finale della rete e vengono pertanto aggiustati al fine di riprodurre un certo tipo di comportamento desiderato.

Applicazioni delle Reti Neurali
Gli ANN vengono utilizzati in molte discipline scientifiche, in cui modelli analitico-matematici non sono disponibili oppure presentano una complessità eccessiva che li rende inutilizzabili. In questi casi, gli ANN possono estrarre un modello empirico a partire dai dati sperimentali. In un certo senso possono essere considerati degli interpolatori: sulla base di una serie di informazioni sul comportamento di un certo sistema (informazioni spesso incomplete e/o in parte scorrette in quanto affette da errori sperimentali), una rete neurale artificiale può essere “allenata” (trained in inglese) su questi dati al fine di poter prevedere il risultato di nuovi esperimenti.

Esempi classici di utilizzo degli ANN:
pattern recognition / classification: Questo compito consiste nell’assegnare un pattern in entrata (ad esempio un segnale acustico o un’immagine) ad una o più classi predefinite. Le applicazioni pratiche sono innumerevoli: classificazione dei segnali bioelettrci (ad esempio stabilire se un EEG o un ECG è normale oppure o no), riconoscimento della voce, riconoscimento di un motivo in un’immagine, ecc. clusterig: questo compito è simile al precedente, ma le categorie o classi non sono predefinite, ma vanno scoperte “scavando” nei dati. L’applicazione classica è il data mining, cioè l’analisi minuziosa di banche dati enormi (es. dati sui clienti di una compagnia di assicurazioni) per trovare relazioni nascoste e correlazioni interessanti. forecasting market prediction, previsioni metereologiche: due esempi in cui è necessario poter prevedere il comportamento futuro di un sistema conoscendo le osservazioni compiute nel passato.

Conclusioni
Le reti neurali artificiali sono un metodo di calcolo basato su un modello semplificato del funzionamento dei neuroni biologici. La scommessa su questo “ponte” che lega due discipline così diverse, le neuroscienze e la matematica, si è rivelata vincente, come provano le numerosi applicazioni degli ANN. Senza dubbio una maggiore comunicazione e collaborazione tra gli studiosi delle due scienze non può che giovare a entrambe le parti e riservare altre buone sorprese.

 

Bibliografia

Floreano, D. e Mattiussi, C (1996). Manuale sulle Reti Neurali. Bologna: il Mulino
Luccio R. (2000). La Psicologia: un profilo storico. Roma-Bari: Laterza
Luccio, R. (2001). Psicologia Generale: le frontiere della ricerca. Roma-Bari: Laterza

Scarica il PDF 

Share

Simone Parrini
Simone Parrini

Simone Parrini si è laureato in Matematica Applicata nel 1995 presso l´Universita´ di Firenze. Dal 1996 al 2000, ha svolto un Dottorato di Ricerca presso l´Università di Louvain (Belgio), dove ha studiato la modellizazione matematica dei sitemi neurofisiologici. Dal 2000 lavora a Bruxelles, presso un´azienda che produce software per l´ottimizazione dei processi produttivi tramite tecniche di Intelligenza Artificiale.

Lascia un commento