Introduzione una questione di metodo



Scaricare 1.51 Mb.
13.11.2018
Dimensione del file1.51 Mb.




  1. INTRODUZIONE




    1. Una questione di metodo



Lo studio del cervello presenta indubbiamente notevoli difficoltà. Una di queste, se non la principale, è la scelta del formalismo di indagine più appropriato. Il sistema mente-cervello, ancor più di qualunque altro oggetto di osservazione, può essere analizzato da diversi punti di vista. Si va da un approccio clinico, ad uno studio comportamentale, ad una visione cognitivo-computazionale, per poi passare a campi alquanto diversi, quelli appartenenti alle neuroscienze, alla sfera biologica ed alla medicina. Tutti questi approcci presentano vantaggi e svantaggi, ed uno studente che si avvicina al momento della tesi è realmente indeciso su quale di essi basare il proprio lavoro, o la propria vita professionale.

Questa tesi vuole essere un punto d’incontro fra due dei diversi modi di analizzare il rapporto fra mente e cervello. Un primo approccio, che chiamerò top-down, è tipico della comunità degli psicologi ed ha radici profonde nella storia della scienza. Nella visione top-down le funzioni del cervello vengono definite in base a dati e teorie di carattere psicologico ed attenendosi ad esigenze computazionali. Il sistema nervoso (SN) viene quindi esplorato (non sempre, a volte ci si accontenta di postulare un modello teorico…) alla ricerca di quelle strutture che possano adempiere a tali funzioni.

L’approccio bottom-up, viceversa, trae ispirazione dall’anatomia e dalla fisiologia del sistema nervoso: si serve di dati come le proprietà di scarica dei neuroni, le loro connessioni, la loro dinamica temporale per ipotizzare (anche qui, non sempre) quale controparte psicologica possa derivare da questa peculiare organizzazione.

Entrambe le visioni hanno dei limiti evidenti. Nell’approccio top-down, modelli derivanti dalla ricerca psicologica o da altre aree, come dalla matematica e dalla fisica, vengono “imposti” sul cervello, senza curarsi più di tanto della misura in cui il SN implementi in realtà tali strutture. Ad esempio, una tipica visione top-down è quella dedita alla ricerca, nel SN, di quelle zone che possano modellare i concetti di memoria quali memoria iconica, di lavoro e memoria a breve termine, senza considerare il fatto che molti neuroni sono in grado di modificare le proprie proprietà di scarica in base alla loro “esperienza passata”, vale a dire i precedenti pattern di stimolazione. In sostanza, si può dire che possiedano una memoria, che risulta quindi distribuita in tutto il SN.


Questo è solo uno nella miriade di casi in cui il cervello viene “stiracchiato”, spesso violentato, per adattarsi a teorie preconfezionate. Nonostante il fatto che le teorie cognitive, così come i modelli computazionali, siano chiaramente cruciali ai fini di studiare le funzioni cerebrali, non sono di per sé sufficientemente potenti per una completa comprensione.

Per studiare, ad esempio, la capacità del SN di riconoscere oggetti in movimento, non è sufficiente avere una visione esauriente di concetti quali il flusso ottico, ma è necessario tenere conto dell’esistenza e del funzionamento delle cellule selettive per il movimento e per la direzione, la loro distribuzione nelle aree visive primarie e secondarie, le loro interconnessioni, la loro sensibilità. Questi ultimi dati, presi da soli, avrebbero tuttavia un significato alquanto limitato. Non avrebbe senso studiare nei dettagli più minuti le caratteristiche dei neuroni senza avere come fine ultimo quello di correlare questi dati con quelli psicologici. Una completa comprensione si può avere unicamente integrando i due livelli, in una costante interazione. Nel presente lavoro utilizzerò lo strumento delle reti neurali. Le reti rappresentano attualmente, a mio giudizio, la metafora della mente più vicina alla realtà del sistema nervoso.



1.2 Il modello

Fra i tanti dubbi che mi hanno accompagnato durante e prima della stesura di questo lavoro, forse l’unica certezza ha riguardato il metodo generale che avrei seguito durante il lavoro: un approccio pragmatico. Le parole di Alan Perlis, citate all’inizio del paragrafo, sono esemplificative di questo atteggiamento. Quando sei sicuro di aver capito qualcosa? Quando l’hai letta? No di certo. Quando l’hai ripetuta, come si fa prima di un esame? L’esperienza universitaria (vedi oblio post-esame….) mi suggerisce il contrario. Forse quando puoi insegnare questa cosa a qualcuno? E’ possibile, ma ci sono molti insegnanti inconsapevoli…. Una sicurezza, non dico matematica, ma approssimativamente tale la puoi avere solo quando sei in grado di riprodurre il fenomeno, magari simulandolo. In questo ultimo caso, ogni piccolo dettaglio del problema deve essere reso massimamente esplicito. Non è possibile barare, a questo livello tutte le teorie più astratte devono superare la prova più importante: la rimozione, il meccanismo di difesa tipico della comunità degli psicologi, cade inesorabilmente di fronte alla cruda realtà dei fatti.

Come simulare, e quindi in una certa misura riprodurre, un sistema così complesso come quello nervoso? A che livello implementarlo?

Il livello scelto in questa tesi è quello neurale, in quanto i neuroni sono le unità di “calcolo” alla base delle elaborazioni nervose. Ci si asterrà, quindi, il più possibile dall’utilizzo di termini quali quelli di “sistema” e “modulo”, vere e proprie scatole nere ed “assi piglia tutto” impiegati per sostenere delle teorie traballanti. In questa tesi si affronteranno problemi forse più circoscritti, meno ambiziosi, ma tutti i postulati teorici dovranno avere una applicazione a livello di simulazione, senza soluzione di continuità.

Il formalismo scelto è quello delle reti neurali, in quanto è questo che si sposa maggiormente con le necessità epistemologiche fin qui evidenziate. Gran parte della psicologia classica ha fatto ricorso al paradigma dell’associazionismo (sia di concetti che di stimoli e risposte), teorie ben strutturate già nella filosofia di Hume, ma le cui radici possono essere fatte risalire ad Aristotele. Le reti neurali possono dare nuova linfa a questo vecchio concetto fornendo un meccanismo, biologicamente plausibile, per la formazione delle associazioni, suggerendo nel contempo moltissimi, utili insight.

Le reti neurali artificiali sono dei sistemi di elaborazione dell’informazione la cui architettura e modalità di funzionamento trae ispirazione dai sistemi nervosi biologici (Floreano 1996). Il cervello può essere considerato come una unica, immensa rete neurale. Per essere più precisi, è meglio pensare al SN come ad una “rete di reti”, come suggeritoci dalla ricerca neuroanatomica. Quest’ultima ha evidenziato come il cervello possa essere visto come un puzzle di reti nervose con caratteristiche peculiari, si a livello di architettura che di proprietà dei suoi costituenti, i neuroni. Il ruolo delle reti neurali nel modellare tale, enorme architettura che è il cervello può essere meglio compreso confrontando quest’ultime con quello che è stato l’approccio dominante prima del loro avvento, l’intelligenza artificiale (IA). L’IA studia in che modo i computer possano essere programmati al fine di produrre comportamenti “intelligenti” senza la necessità di indicare correlazioni fra strutture del programma (o dell’elaboratore) e strutture nervose. Negli anni ‘60 e ‘70 la maggior parte degli psicologi cognitivi formularono le loro teorie in termini di information processing, ignorando largamente le evidenze sull’organizzazione biologica del SN. Questo trend ha contribuito ad ampliare lo iato fra biologia e psicologia, tendenza che sta fortunatamente invertendosi negli ultimi anni. Rispetto ai classici modelli IA, i sistemi neurali si dimostrano competenti per quei processi di basso livello (ad esempio, percezione ed azione motoria) che rappresentano un ostacolo insormontabile per i sistemi basati su regole esplicite, come i cosiddetti sistemi di produzione. Nella tabella 1 vengono elencate le maggiori differenze fra i modelli cognitivisti basati sulla IA e quelli ispirati alle reti neurali.

Neurone naturale Neurone artificiale




Fig. 1. Analogie tra un neurone biologico ed uno artificiale. Al posto dell'albero dendritico abbiamo una serie di pesi (Wij) che connettono le unità pre- e post-sinaptica (X1, X2, …Xi). Ogni peso misura la forza della connessione. Come per i neuroni biologici, quelli artificiali non fanno altro che "calcolare" la somma degli input: Ai = XiWij - i. Se questi eccedono la soglia (i), l'unità scarica. In termini matematici, calcola una semplice funzione di output dell'unità: Yi = f(Ai), dove Yi è l’output dell’unità, Ai è la sua attivazione ed f è una funzione di trasformazione di quest’ultima. Le connessioni, la “memoria a lungo termine” della rete, possono essere soggette ad apprendimento e quindi modificare il pattern di attività del sistema, la sua “memoria a breve termine”.
L'organizzazione in parallelo delle reti neurali, il fatto che una determinata rappresentazione, ad esempio quella di un oggetto, è codificata su più unità simultaneamente (processi paralleli e distribuiti), la possibilità di apprendere, la somiglianza fra prestazioni umane e simulazioni, l’opportunità di eseguire osservazioni e manipolazioni altrimenti inattuabili su substrati biologici: tutti questi fattori fanno si che le reti rappresentino uno strumento appetibile per la ricerca psicologica e non. Infatti questo formalismo è applicato con successo in diversi ambiti: informatica, robotica, difesa, medicina e finanza. L’approccio sembra in grado di conciliare la visione top-down con quella bottom-up.

MODELLI

CLASSICI

IA

RETI

NEURALI

Immutabili: un sistema

serve solo in quel

determinato ambito


Apprendono: sono applicabili a più domini

Implausibili: si può

sostenere che il cervello

funzioni così?


Plausibili: metafora della mente più vicina alle evidenze biologiche

Lenti: processi seriali

Veloci: processi in parallelo

Fragili: un errore

nel programma causa

spesso un black-out

del sistema



Robusti: gli errori ed il rumore

degradano progressivamente la prestazione


Tab. 1. Principali differenze tra modelli classici dell'IA e reti neurali.

Questa tesi si pone come obiettivo quello di creare una dialettica interattiva fra queste due visioni, prendendo in considerazione un problema specifico e concreto, quello dell’attenzione selettiva visiva. Il lavoro prenderà le mosse da un tentativo di modellare alcune proprietà del sistema visivo dei vertebrati, al fine di rendere il modello il più possibile ecologicamente plausibile. La tesi avrà come obiettivo fondamentale la costruzione di un modello computazionale, basato su una rete neurale ed implementato su PC. Anzi, si può dire che lo sforzo maggiore sarà dedicato alla programmazione, piuttosto che alla stesura della parte scritta.

I modelli, per definizione, non possiedono tutta la ricchezza di particolari delle loro controparti nel mondo reale. La simulazione su computer ha quindi un limite fondamentale: il suo modello. Una volta che quest’ultimo, tuttavia, abbia dimostrato una qualche validità, la sua implementazione presenta dei vantaggi innegabili. Prima di tutto, rende il tutto maggiormente esplicito, mettendo a nudo eventuali punti deboli o bachi del modello originario. Le simulazioni sono inoltre velocemente eseguibili e relativamente economiche e sono facilmente “trasportabili” ed osservabili da chiunque. Esse permettono inoltre un controllo dei parametri forse maggiore degli stessi esperimenti neurofisiologici, dando la possibilità allo sperimentatore di eseguire delle manipolazione ed ottenere un grado di precisione altrimenti impossibili.



1.3 Cosa può fare la rete, e cosa non può fare
La rete neurale che sarà sviluppata nel seguente lavoro simulerà alcune delle molte proprietà funzionali del SN. Innanzitutto, gli input della rete saranno costituiti da livelli di luminanza: non avrà alcun significato per il modello la composizione spettrale del segnale.

La simulazione sarà prevalentemente atemporale. Ciò significa che non verrà presa in considerazione né la dinamica dell’input ambientale né, in gran parte, le complesse dinamiche interne della rete (deplezione-accumulo di neurotrasmettitori, cambiamenti a lungo termine dell’efficacia sinaptica, decadimento spontaneo dell’attività neurale, ecc.…). Il rumore verrà trattato unicamente nella sua componente spaziale, non in quella temporale.

La rete implementa dei processi di feed-back intermodale (interni alla rete). Non interagisce con l’ambiente esterno e, quindi, non è in grado di modificare il proprio input (in ogni caso, simulato).

La rete opera inoltre trasformazioni in 2D, non possedendo unità in grado di supportare analisi in 3D, né tantomeno trattare problemi di stereopsi. L’immagine elaborata sarà, infatti, singola.


1.4 Organizzazione della tesi
Nella stesura di questo lavoro ho cercato di ripercorrere le tappe concettuali ed operative che hanno portato alla creazione del modello finale. La rete è stata costruita attenendosi il più possibile ai risultati della ricerca nel campo delle neuroscienze, in un dialogo costante fra dati funzionali, osservazioni anatomiche, evidenze sperimentali, ed esigenze computazionali. Ogni capitolo ha quindi un’organizzazione dicotomica, con una prima parte dedicata ad una ricerca ed alla circoscrizione delle caratteristiche funzionali da implementare, ed una seconda caratterizzata da una fase operativa di costruzione della rete.

La tesi può essere concettualmente separata in due parti, con la prima dedita a modellare gli stadi precoci dell’elaborazione visive e la seconda che delinea alcuni processi di controllo superiori, in particolare quello dell’attenzione selettiva.


Condividi con i tuoi amici:


©astratto.info 2019
invia messaggio

    Pagina principale