Sistemi Adattativi E Reti Neurali

  • Uploaded by: Neuroscienze.net
  • 0
  • 0
  • April 2020
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View Sistemi Adattativi E Reti Neurali as PDF for free.

More details

  • Words: 2,366
  • Pages: 5
©2009 Neuroscienze.net Journal of Neuroscience, Psychology and Cognitive Science

On-line date: 2009-04-24

Sistemi Adattativi e Reti Neurali Un parallelismo tra Ingegneria e Biologia di Giovanni Vecchiato

Keywords: Figura, Immagine, Reti Neurali, Adattativi, Informazione, Neurobiologia Permalink: http://www.neuroscienze.net/index.asp?pid=idart&cat=3&arid=543

Il termine adattamento è usato prevalentemente in campo biologico per indicare esseri viventi che sono in grado di modificare sé stessi con lo scopo di sopravvivere ai cambiamenti dell'ambiente circostante. Tali adattamenti consentono agli organismi viventi di affrontare gli stress e le pressioni dell'ambiente. Essi si riferiscono ad ogni tipo di alterazione nella struttura o della funzione di un organismo o di una sua parte, risultato di una selezione naturale e per mezzo della quale l'organismo stesso diventa più adatto a vivere e moltiplicarsi nel proprio ambiente. Tale definizione può essere facilmente estesa al mondo ingegneristico, dove un sistema matematico non è altro che un modello di un reale sistema fisico. L'interesse nello studiare sistemi adattativi ha origine dall'attraente caratteristica di saper adattare il suo comportamento secondo i cambiamenti dello scenario di lavoro o di parti del sistema stesso. Un essere umano, per esempio, è certamente un sistema adattativo; così lo sono le organizzazioni e le famiglie. Allo stesso modo lo possono essere alcuni sistemi ingegneristici; per esempio, i sistemi di controllo utilizzano dei cicli di feedback con lo scopo di conoscere le condizioni dell'ambiente e conseguentemente adattarsi. Particolari tipi di sistemi adattativi sono i filtri adattativi e le reti neurali. Un filtro adattativo è definito come un filtro che è in grado di modificare le sue caratteristiche per raggiungere un certo fine o scopo, e, nella maggior parte dei casi, queste modifiche avvengono in maniera automatica, senza il bisogno di un sostanziale intervento dell'utente. Quando manca la conoscenza sui segnali di ingresso per i quali il filtro vuole essere costruito, il progettista si orienta su un filtro adattativo, il quale può imparare le caratteristiche del segnale quando viene utilizzato nella sua fase iniziale, ma successivamente sarà in grado di seguire i lenti cambiamenti del segnale in ingresso. I filtri

Pagina 1/5

adattativi possono essere implementati in diversi modi, permettendo di risolvere una sempre più vasta varietà di problemi. I vantaggi di tali sistemi sono nell'avere alcune o tutte delle seguenti caratteristiche: Essi possono adattarsi automaticamente per affrontare i cambiamenti ambientali e/o quelli dei requisiti di sistema; · Essi sono istruiti, attraverso una procedura di training, per conseguire un particolare tipo di filtraggio o per compiti decisionali; · I sistemi adattativi non richiedono una elaborata procedura di sintesi solitamente necessaria per sistemi non adattativi. · A valle della fase di training, essi estrapolano un modello comportamentale per trattare nuove situazioni, dove si utilizzano un numero finito e spesso piccolo di segnali di training; In alcuni casi, essi sono in grado di auto-ripararsi, nel senso che possono adattarsi anche a certi tipi di defezioni interne; Possono essere descritti come sistemi non lineari con parametri tempo varianti; Solitamente, sono più complessi e difficili da analizzare rispetto a sistemi non adattativi, ma offrono la possibilità di un sostanziale incremento nelle prestazioni quando le caratteristiche del segnale in ingresso sono sconosciute o tempo varianti. Le Reti Neurali rappresentano una tecnologia usata in molte discipline come neuroscienze, matematica, statistica, fisica, informatica ed ingegneria. Le reti neurali trovano applicazione in diversi campi quali la modellizzazione, analisi di sequenze temporali, pattern recogniction, elaborazione dei segnali e controllo in virtù di una importante proprietà: l'abilità ad imparare dai dati in ingresso, con o senza una vera e propria guida. Lavorare con le reti neurali è stato motivato dal riconoscere che il cervello umano elabora in modo completamente diverso rispetto ad un convenzionale computer. Il cervello è altamente complesso, ha una struttura non lineare ed agisce in modo parallelo.Ha la capacità di organizzare gli elementi costituenti della sua struttura, conosciuti come neuroni, in modo da effettuare calcoli molte volte più velocemente del più veloce computer esistente al giorno d'oggi. Inoltre, il cervello ha l'abilità di costruire le proprie regole attraverso quella che noi chiamiamo esperienza, ovvero, la proprietà di plasticità. La plasticità permette ai neuroni che si sviluppano di adattarsi all'ambiente circostante. Come la plasticità appare essenziale per il funzionamento dei neuroni del cervello umano come unità processuali dell'informazione, così lo è per le reti neurali costituite a sua volta da neuroni artificiali. Nella sua forma più generale, una rete neurale è una macchina progettata per modellare il modo in cui il cervello effettua un particolare compito; la rete è generalmente implementata usando componenti elettronici oppure simulata attraverso un computer per via software. Per raggiungere buone prestazioni, le reti neurali impiegano una vasta interconnessione di semplici cellule computazionali chiamate neuroni. Un'ampia classe di reti neurali offre buone prestazioni dopo un processo di apprendimento, l'equivalente dell'esperienza umana. Questo processo coinvolge un algoritmo di apprendimento alla fine del quale i pesi sinaptici della rete sono modificati con lo scopo di raggiungere l'obiettivo prefissato. La potenza di calcolo di una rete neurale è dovuta alla sua struttura di sistema distribuito e parallelo e alla sua abilità ad apprendere e, successivamente, a generalizzare. Le sue principali proprietà e capacità sono: · Non linearità. Un neurone artificiale può essere lineare o non lineare. Una rete neurale, costituita da una interconnessione di neuroni non lineari, è essa stessa non lineare. Questa è una proprietà molto importante, particolarmente se il meccanismo fisico responsabile della generazione del segnale d'ingresso (come ad esempio il segnale vocale) è non lineare; Adattatività. Le reti neurali hanno la capacità di adattare i loro pesi sinaptici ai cambiamenti

Pagina 2/5

dell'ambiente circostante. In particolare, una rete neurale preparata per operare in un ambiente specifico può essere facilmente ripreparata per occuparsi di diversi cambiamenti delle condizioni ambientali in cui si sta operando. Inoltre, quando essa opera in un ambiente non stazionario (uno le cui statistiche cambiano col tempo), una rete neurale può essere progettata in modo che i pesi sinaptici cambino in tempo reale; Informazione Contestuale. La conoscenza è rappresentata dall'intera struttura di uno stato di attivazione di una rete neurale. Ogni neurone nella rete è potenzialmente affetto dall'attività globale di tutti i neuroni della rete; Tolleranza ai Guasti. Una rete neurale, implementata in hardware, ha la potenzialità di essere tollerante ai guasti, o comunque capace di calcoli efficienti, nel senso che le sue prestazioni degradano dolcemente se le condizioni in cui si opera sono avverse; Analogia in Neurobiologia. Il progetto di una rete neurale è motivata da un'analogia con il cervello, prova vivente che il processo parallelo di tolleranza ai guasti non solo è fisicamente possibile ma anche veloce e potente.

I neurobiologi vedono le reti neurali artificiali come un mezzo di ricerca per l'interpretazione di fenomeni neurobiologici. D'altra parte, gli ingegneri osservano la neurobiologia per nuove idee in modo da risolvere problemi più complessi di quelli basati sulle convenzionali tecniche di progetto. Il sistema nervoso umano può essere visto come un sistema a tre stadi, raffigurato nel diagramma a blocchi in Figura 1. La parte centrale del sistema è il cervello, rappresentato dalla rete neurale, che riceve in continuazione informazioni, le analizza ed effettua un'appropriata decisione. In Figura sono presenti due tipi di frecce. Quelle che puntano da sinistra verso destra indicano la trasmissione forward dell'informazione, che direziona i segnali attraverso il sistema. Le frecce che puntano da destra verso sinistra indicano invece la presenza di feedback nel sistema. I recettori convertoni gli stimoli dal corpo umano o dall'ambiente esterno in impulsi elettrici che convogliano l'informazione verso la rete neurale (cervello). Gli effettori convertono gli impulsi elettrici generati dalla rete neurale in risposte che sono le uscite del sistema. Lo sforzo per studiare il cervello è diventato più semplice grazie al lavoro pionieristico di Ramòn y Cayàl, che introdusse l'idea dei neuroni come costituenti strutturali del cervello.

[IMMAGINE: Rappresentazione con diagramma a blocchi del sistema nervoso] Le sinapsi sono unità elementari strutturali e funzionali che mediano le interazioni tra neuroni. Il tipo più comune è la sinapsi chimica, che opera attraverso un processo presinaptico che libera una sostanza, chiamata neurotrasmettitore, che prima si diffonde attraverso le giunzione sinaptica tra neuroni per poi agire su un processo postsinaptico. In questo modo una sinapsi converte un segnale elettrico presinaptico in un segnale chimico e poi nuovamente in un segnale elettrico postsinaptco. Una sinapsi può essere eccitatoria o inibitoria, ma non può svolgere entrambe le funzioni sul neurone recettivo. La maggioranza dei neuroni codifica i loro output in una serie di impulsi di bassa tensione. Questi impulsi, comunemente conosciuti come potenziali d'azione o spikes, hanno origine presso il corpo cellulare dei neuroni e si propagano attraverso gli stessi neuroni con velocità e ampiezza costante. Le ragioni per l'uso dei potenziali d'azione per la comunicazione neuronale sono basate sulla struttura degli assoni. L'assone di un neurone è molto lungo e sottile ed è caratterizzato da una elevata resistenza elettrica e da un valore elevato di capacità. Entrambi questi elementi circuitali possono essere visti come distribuiti lungo l'assone. L'assone può quindi essere modellato come una linea di trasmissione RC, e la propagazione dei segnali viene

Pagina 3/5

comunemente descritta attraverso un'equazione matematica.L'analisi di questo meccanismo di propagazione rivela che quando si applica una tensione ai capi di un assone essa decade esponenzialmente con la distanza, ma in modo insignificante al tempo in cui esso raggiunge l'altro capo.

[IMMAGINE: Organizzazione strutturale dei livelli nel cervello] Nel cervello ci sono organizzazioni anatomiche sia in piccola che in larga scala, e differenti funzioni prendono posto a bassi ed alti livelli. La Figura 2 mostra una gerarchia di livelli emersa dall'esteso lavoro fatto sull'analisi di regioni locali nel cervello. Le sinapsi rappresentano il livello fondamentale, il quale dipende dalle molecole e dagli ioni, necessari per la loro azione. Ai livelli successivi abbiamo i microcircuiti neuronali, gli alberi dendritici, e poi i neuroni. Un microcircuito neuronale si riferisce ad un insieme di neuroni organizzati in strutture connettive per realizzare l'operazione funzionale d'interesse. Un microcircuito neuronale può essere paragonato ad un microchip costituito da diversi transistor. Microcircuiti neuronali sono raggruppati per formare sub-unità dendtritiche all'interno degli alberi dendritici dei singoli neuroni. Un solo neurone può avere parecchie sub-unità dendritiche. Al successivo livello di complessità abbiamo i circuiti locali composti da neuroni con proprietà simili ma anche differenti; questi aggregati di neuroni compiono operazioni caratteristiche di una regione localizzata del cervello. Questo è seguito dai circuiti inter-regionali, costituiti da percorsi, colonne, e mappe topografiche, che coinvolgono regioni multiple localizzate in diverse parti del cervello. Le mappe topografiche sono organizzate per rispondere alle informazioni sensoriali in arrivo. Queste mappe sono spesso organizzate in strati, dove quello visivo, uditivo, e somatosensitivo sono sovrapposti su livelli adiacenti in modo che gli stimoli provenienti dai corrispondenti punti dello spazio giacciano uno accanto all'altro. Al livello finale di complessità, le mappe topografiche ed altri circuiti inter-regionali mediano specifici tipi di comportamento nel sistema nervoso centrale. È importante riconoscere che i livelli strutturali qui descritti sono solo una caratteristica del cervello. Essi sono introvabili in un computer e nemmeno vicini da essere ricreati con reti neurali artificiali. I neuroni artificiali che si usano per costruire le reti neurali sono primitivi in confronto a quelli che si trovano nel cervello. Le reti neurali, che oggi è possibile progettare, sono rozze se paragonate ai circuiti locali ed inter-regionali nel cervello. Quello che in realtà è soddisfacente è il notevole progresso che si è fatto sui diversi fronti negli ultimi vent'anni. Il progresso nella progettazione e la produzione di microcircuiti ha prodotto processori molto compatti ed economici che emulano i sistemi nervosi biologici in grandezza e ne sono chiaramente superiori in velocità. Il risultato è stato una crescita molto veloce nel campo delle applicazioni per tutti i tipi di elaborazione digitale, incluso l'elaborazione adattativa. Le odierne applicazioni per tali sistemi adattativi sono nel campo dell'elaborazione dell'immagine, riconoscimento vocale, radar, sonar, sismologia, progetti meccanici, sistemi di navigazione e strumentazione biomedica. Questo tipo di sistemi consente un facile paragone tra le sue attraenti caratteristiche e i nostri comportamenti, come esseri umani. A volte noi non siamo in grado di lavorare in tutti i tipi di ambienti che ci circondano, ma dipendiamo strettamente dalla società in cui viviamo. Il nostro corpo, la mente, può non essere in grado di adattarsi a certi cambiamenti. Conseguentemente, questo si riflette sui comportamenti generali di un essere umano. Le nostre azioni sono viziate da influenze esterne, così come lo sono i pensieri. Noi non siamo più in grado di capire le nostre reali emozioni. Alla fine, questo porta all'annichilimento dell'essere umano. L'emozione è stata descritta da vari studiosi come l'energia del pensiero; come quella che fa funzionare la percezione, la finestra della mente; come il mezzo di scambi sociali ed il legame per le relazioni; come la trama per la continuità e la coerenza della

Pagina 4/5

personalità; come quella che colora la nostra esperienza e dà un significato alle nostre vite. L'emozione è vista sia come una influenza organizzatrice, ma potenzialmente anche disorganizzatrice. L'emozione è fondamentale per comprendere una risposta adattativa all'ambiente. Con lo scopo di avere un'analisi neurologica delle emozioni, durante tutto il ventesimo secolo molti scienziati hanno sistematicamente esplorato il cervello e cercato di capire come esso funziona. È stato dimostrato che sia il sistema nervoso centrale, che quello periferico, forniscono cicli di feedback interattivi che sono in ultima analisi responsabili del comportamento dell'organismo in relazione alle sollecitazioni provenienti dall'ambiente. Investigare come circa cento miliardi di neuroni del sistema nervoso centrale funzionano con lo scopo di creare pensieri ed emozioni è una sfida enorme per gli scienziati. Da qui l'importanza di avere gli strumenti che forniscono una metodologia non invasiva per lo studio della localizzazione delle funzioni all'interno del cervello. La tecnologia è adesso matura abbastanza per affrontare questo tipo di studio; il cervello umano è stato modellato bene per mezzo di reti neurali e gli ingegneri hanno gli strumenti per dedicare le loro energie al campo emozionale. Senza capire le emozioni non è possibile conoscere a pieno lo sviluppo umano. L'emozione è il carburante per una crescita cognitiva e la moneta per l'evoluzione delle relazioni sociali. Bibliografia Haykin, S. (1998). Neural Network: A Comprehensive Foundation. Prentice Hall, Englewood Cliffs, NJ. LaFreniere, P.J. (2000). Emotional Development: A Biosocial Perspective, Wadsworth. Widrow, B. and S.D. Stearns (1985). Adaptive Signal Processing, Prentice Hall, Englewood Cliffs, NJ.

Pagina 5/5

Related Documents