L'IA imita i calcoli del neocortex con un approccio 'vincitore prende tutto'

25 ottobre 2024.

Questo articolo è stato revisionato secondo il processo editoriale e le politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo la credibilità dei contenuti:

fattori verificati

preprint

fonte affidabile

corretto

di Ingrid Fadelli, Tech Xplore

Nell'ultimo decennio circa, gli scienziati informatici hanno sviluppato tecniche computazionali sempre più avanzate in grado di affrontare compiti reali con un'accuratezza paragonabile a quella umana. Sebbene molti di questi modelli di intelligenza artificiale (AI) abbiano ottenuto risultati notevoli, spesso non replicano precisamente i calcoli eseguiti dal cervello umano.

Ricercatori di Tibbling Technologies, Broad Institute presso la Harvard Medical School, The Australian National University e altri istituti hanno recentemente cercato di utilizzare l'AI per imitare un tipo specifico di calcolo eseguito dai circuiti nel neocortex, noto come calcoli 'winner-take-all'.

Il loro articolo, pubblicato sul server di pre-stampa bioRxiv, riporta l'emulazione riuscita di questo calcolo e mostra che aggiungerlo ai modelli basati su trasformatori potrebbe migliorare significativamente le loro prestazioni nei compiti di classificazione delle immagini.

"Il nostro recente articolo è stato ispirato dalle incredibili capacità computazionali del cervello dei mammiferi, in particolare del neocortex", ha detto Asim Iqbal, primo autore dell'articolo, a Tech Xplore.

"Il nostro obiettivo principale era trarre ispirazione dal modo in cui il cervello elabora le informazioni e applicare quei principi per migliorare i sistemi di intelligenza artificiale. In particolare, ci siamo concentrati su un calcolo chiamato 'winner-take-all' che sembra essere un'operazione fondamentale nei circuiti corticali."

"Winner-take-all" è un meccanismo biologico che si attiva quando uno o pochi neuroni all'interno di un set influenzano l'esito di un calcolo. I neuroni più attivi sopprimono essenzialmente l'attività degli altri neuroni, diventando le uniche celle che contribuiscono a una decisione o un calcolo specifico.

Iqbal e i suoi colleghi hanno cercato di imitare realisticamente questo calcolo biologico utilizzando hardware neuromorfico e poi usarlo per migliorare le prestazioni dei modelli di apprendimento automatico ben consolidati. Per fare ciò, hanno utilizzato il chip hardware neuromorfico TrueNorth di IBM, progettato appositamente per imitare l'organizzazione del cervello.

"Il nostro modello di rete biofisica mira a catturare le caratteristiche chiave dei circuiti neocorticali, concentrandosi sulle interazioni tra neuroni eccitatori e quattro tipi principali di neuroni inibitori", ha spiegato Iqbal.

"Il modello incorpora le proprietà misurate sperimentalmente di questi neuroni e delle loro connessioni nella corteccia visiva. La sua caratteristica principale è la capacità di implementare calcoli 'winner-take-all' morbidi, dove gli ingressi più forti vengono amplificati mentre quelli più deboli vengono soppressi."

Eseguendo questi calcoli ispirati al cervello, l'approccio del team può migliorare i segnali importanti, filtrando il rumore. Il principale vantaggio del loro sistema NeuroAI è che introduce un nuovo approccio biologicamente fondato ma allo stesso tempo computazionalmente efficiente per elaborare le informazioni visive, che potrebbe contribuire a migliorare le prestazioni dei modelli di intelligenza artificiale.

"Uno dei nostri successi più entusiasmanti è stata l'implementazione riuscita dei nostri calcoli ispirati al cervello sul chip neuromorfico TrueNorth di IBM", ha detto Iqbal.

"Ciò dimostra che possiamo tradurre principi dalla neuroscienza all'hardware reale. Siamo stati entusiasti anche di vedere significativi miglioramenti nelle prestazioni dei Vision Transformers e di altri modelli di apprendimento profondo quando abbiamo incorporato il nostro processing ispirato al winner-take-all. Ad esempio, i modelli sono diventati molto migliori nel generalizzare a nuovi tipi di dati su cui non erano stati addestrati, una sfida chiave nell'ambito dell'IA."

Iqbal e i suoi colleghi hanno combinato i calcoli di tipo vincitore prende tutto eseguiti utilizzando il loro approccio con un modello basato su Vision Transformer. Hanno scoperto che il loro approccio ha migliorato significativamente le prestazioni del modello in un compito di classificazione digitale per dati completamente "non visti" tramite apprendimento zero-shot.

In futuro, il loro approccio al calcolo ispirato al cervello potrebbe essere applicato ad altri sistemi di intelligenza artificiale per una vasta gamma di applicazioni, tra cui visione artificiale, analisi di immagini mediche e veicoli autonomi. Nel frattempo, i ricercatori intendono investigare come gli stessi principi ispirati al cervello alla base del loro approccio potrebbero essere sfruttati per affrontare compiti cognitivi più complessi.

"Siamo particolarmente interessati ad implementare la memoria di lavoro e i processi decisionali utilizzando il nostro approccio", ha aggiunto Iqbal.

'Abbiamo anche pianificato di indagare su come possiamo incorporare meccanismi di apprendimento ispirati al cervello, che potrebbero portare a sistemi di intelligenza artificiale in grado di imparare ed adattarsi in modo più efficiente. Inoltre, siamo desiderosi di testare il nostro approccio su altre piattaforme hardware neuromorfiche emergenti per colmare ulteriormente il divario tra neuroscienze e intelligenza artificiale.'

Ulteriori informazioni: Asim Iqbal et al, Primitive di calcolo biologicamente realistico della neocorteccia implementate su hardware neuromorfico migliorano le performance del Vision Transformer, bioRxiv (2024). DOI: 10.1101/2024.10.06.616839

© 2024 Science X Network