Le attivazioni della rete neurale sono allineate con l’attività della banda gamma della corteccia visiva umana

I ricercatori del Laboratorio di neuroscienze computazionali dell’Università di Tartu, in Estonia, hanno scoperto che le attivazioni delle reti neurali convoluzionali profonde sono allineate con l’attività della banda gamma della corteccia visiva umana. Il loro studio, pubblicato in Biologia delle comunicazionievidenzia ulteriormente il potenziale dell’intelligenza artificiale (AI) per ampliare la comprensione del cervello umano.

La capacità umana di riconoscere visivamente gli oggetti è mediata da una gerarchia di rappresentazioni di caratteristiche complesse lungo il flusso ventrale. Ricerche precedenti hanno scoperto che queste sono simili alla gerarchia delle trasformazioni apprese dalle reti neurali convoluzionali profonde (DCNN) addestrate sulle immagini.

“Da ricerche precedenti sapevamo che esiste una corrispondenza tra l’architettura gerarchica del sistema visivo umano e l’architettura a strati dei DCNN”, hanno detto a TechXplore Jaan Aru, Raul Vicente e Ilya Kuzovkin, tre dei ricercatori che hanno condotto lo studio . “Tuttavia, questa ricerca si è basata su tecniche di neuroimaging come fMRI e MEG, ognuna delle quali ha i suoi limiti”.

L’imaging MEG acquisisce solo l’attività media di grandi popolazioni di neuroni contemporaneamente, mentre l’fMRI non acquisisce le informazioni temporali. Pertanto, i ricercatori hanno deciso di raccogliere il loro set di dati utilizzando elettrodi intracranici impiantati direttamente nel cervello dei soggetti del test. Questa tecnica può identificare quando si verifica l’attività cerebrale, la sua posizione anatomica e come cambia nel tempo.

“Questo ci ha permesso di esplorare più in dettaglio l’attività che governa l’elaborazione visiva nel cervello umano e di caratterizzare più precisamente quale tipo di attività presenta somiglianze con l’attività dei DCNN”, hanno affermato i ricercatori.

I DCNN sono un tipo di algoritmo di apprendimento automatico per la visione artificiale, che si comporta particolarmente bene nelle attività di riconoscimento degli oggetti. La loro caratteristica fondamentale è che acquisiscono regole per classificare gli oggetti automaticamente, senza che gli ingegneri umani li descrivano.

Durante l’addestramento, i DCNN vengono addestrati su migliaia di immagini di oggetti (ad es. gatti, alberi, automobili, ecc.), imparando a distinguere le caratteristiche visive di ciascuna di queste categorie. Gli algoritmi possono quindi identificare correttamente oggetti in immagini che non hanno mai incontrato prima, con una precisione fino al 95%.

“Un DCNN è costituito da strati di neuroni artificiali, con ogni strato che esegue determinate operazioni sull’immagine e quindi invia informazioni allo strato successivo”, hanno affermato i ricercatori. “Durante l’addestramento, l’algoritmo forma regole su quali informazioni devono essere inviate agli strati superiori e quando”.

Studi recenti hanno studiato i modelli esatti e le caratteristiche apprese da un DCNN. Hanno scoperto che man mano che ci si immerge più in profondità nei suoi strati, i modelli visivi rappresentati dai suoi neuroni diventano sempre più complessi.

“Il primo strato è responsabile del rilevamento di linee rette, cambiamenti di luminosità e altre semplici caratteristiche visive”, spiegano i ricercatori. “Questa informazione viene passata al secondo livello, che combina caratteristiche semplici per costruire rivelatori in grado di identificare forme semplici. E così progredisce, diventando sempre più astratto con ogni livello, con i neuroni di livello superiore che rappresentano oggetti interi, come gatti, cani e così via. Sapevamo che un fenomeno molto simile si osserva nella corteccia visiva umana, quindi la domanda ovvia era: quanto sono simili questi due sistemi e quali sono le loro somiglianze?”

Quando misurano le risposte elettriche del cervello, i ricercatori osservano schemi complessi di attività. Questi modelli sono raggruppati in base alla loro frequenza: alfa (da 8 a 14 volte al secondo), beta (da 15 a 30 Hz), gamma (da 30 a ~70 Hz), gamma alta (oltre 70 Hz) e altre bande. È stato riscontrato che queste bande di frequenza dipendono da diversi tipi di attività. Ad esempio, l’alfa è più forte quando gli esseri umani sono rilassati, mentre beta e gamma aumentano durante l’impegno attivo in un’attività.

“Abbiamo scoperto che l’attività in gamma bassa (da 30 a 70 Hz) e gamma alta (da 70 a 150 Hz) è meglio allineata con l’attività che si verifica nei DCNN, indicando che ciò che accade nel cervello a quelle frequenze è molto simile a ciò che accade nei DCNN stanno facendo”, hanno detto i ricercatori.

Questi risultati sono allineati con ricerche precedenti che evidenziano l’importanza dell’attività gamma per il riconoscimento degli oggetti. In futuro, potrebbero aiutare a comprendere meglio i calcoli esatti che vengono riflessi dai segnali di frequenza gamma durante l’elaborazione visiva.

“La ricerca finale della neuroscienza è capire come il cervello codifica, memorizza e trasmette informazioni e come l’attivazione di miliardi di neuroni porta a processi mentali complessi, come la comprensione di un testo o la sua comunicazione a un amico”, hanno affermato i ricercatori. “Questo lavoro fornisce un altro pezzo di questo enorme puzzle e mette in evidenza il ruolo importante che gli algoritmi di intelligenza artificiale possono svolgere nella comprensione del cervello umano”.

Il Computational Neuroscience Lab dell’Università di Tartu studia fianco a fianco i sistemi di apprendimento biologico e artificiale, poiché il loro confronto potrebbe portare ad affascinanti scoperte biologiche. I ricercatori stanno ora lavorando su altri due progetti, che costituiranno il fulcro della tesi di dottorato di Kuzovkin.

“In uno dei progetti, esamineremo il funzionamento interno di un algoritmo che abbiamo addestrato a dare un senso ai dati del cervello umano; esplorando quale attività cerebrale ritiene utile per il compito finale e quale scarta. Ciò fornirà uno strumento per passare attraverso grandi volumi di attività e filtrare le parti che sono rilevanti per un particolare compito mentale.”