Sistemi Adattativi e Reti Neurali

Cosa significa “adattamento”

Il termine adattamento viene usato soprattutto in biologia per indicare gli esseri viventi capaci di modificare sé stessi allo scopo di sopravvivere ai cambiamenti dell’ambiente. Si riferisce a ogni alterazione nella struttura o nella funzione di un organismo, risultato della selezione naturale, grazie alla quale l’organismo diventa più adatto a vivere e riprodursi nel proprio ambiente.

Questa definizione si estende facilmente al mondo ingegneristico, dove un sistema matematico è il modello di un reale sistema fisico. L’interesse per i sistemi adattativi nasce da una caratteristica affascinante: la capacità di adattare il proprio comportamento ai cambiamenti dello scenario di lavoro. Un essere umano è certamente un sistema adattativo; così lo sono le organizzazioni e le famiglie. Ma possono esserlo anche i sistemi ingegneristici: i sistemi di controllo, per esempio, usano cicli di feedback per conoscere le condizioni dell’ambiente e adattarsi di conseguenza.

I filtri adattativi

Un tipo particolare di sistema adattativo è il filtro adattativo, cioè un filtro capace di modificare le proprie caratteristiche per raggiungere un certo scopo, il più delle volte in modo automatico, senza bisogno dell’intervento dell’utente. Quando manca la conoscenza dei segnali in ingresso, il progettista sceglie un filtro adattativo: esso impara le caratteristiche del segnale nella fase iniziale e poi ne segue i lenti cambiamenti.

I vantaggi di questi sistemi sono diversi:

• si adattano automaticamente ai cambiamenti dell’ambiente o dei requisiti del sistema;
• vengono istruiti attraverso una procedura di training per compiti di filtraggio o di decisione;
• non richiedono l’elaborata procedura di sintesi tipica dei sistemi non adattativi;
• dopo il training, estrapolano un modello di comportamento per affrontare situazioni nuove, usando un numero finito e spesso piccolo di segnali di addestramento;
• in alcuni casi sanno perfino “auto-ripararsi”, adattandosi a certe difettosità interne;
• offrono un notevole incremento di prestazioni quando le caratteristiche del segnale in ingresso sono sconosciute o variabili nel tempo, pur essendo più complessi da analizzare.

Le reti neurali: imparare come il cervello

Le reti neurali sono una tecnologia trasversale a molte discipline: neuroscienze, matematica, statistica, fisica, informatica e ingegneria. Trovano applicazione nella modellizzazione, nell’analisi di serie temporali, nel riconoscimento di pattern, nell’elaborazione dei segnali e nel controllo, grazie a una proprietà fondamentale: la capacità di imparare dai dati in ingresso, con o senza una guida esplicita.

Lo sviluppo delle reti neurali nasce dalla constatazione che il cervello umano elabora l’informazione in modo completamente diverso da un computer convenzionale. Il cervello è altamente complesso, non lineare e opera in parallelo. Sa organizzare i suoi elementi costituenti, i neuroni, per eseguire calcoli molte volte più rapidamente del più veloce computer. E, soprattutto, costruisce le proprie regole attraverso l’esperienza, ossia la plasticità: la capacità dei neuroni di adattarsi all’ambiente circostante. Come la plasticità è essenziale per i neuroni biologici, così lo è per i neuroni artificiali che compongono una rete neurale.

Nella sua forma più generale, una rete neurale è una macchina progettata per modellare il modo in cui il cervello svolge un particolare compito, implementata con componenti elettronici o simulata via software. Impiega una vasta interconnessione di semplici unità di calcolo, i neuroni, e raggiunge buone prestazioni dopo un processo di apprendimento, l’equivalente dell’esperienza umana. Al termine di questo processo, un algoritmo modifica i “pesi sinaptici” della rete per raggiungere l’obiettivo.

Le proprietà delle reti neurali

La potenza di calcolo di una rete neurale deriva dalla sua struttura distribuita e parallela e dalla capacità di apprendere e generalizzare. Le sue proprietà principali sono:

• Non linearità: una rete costituita da neuroni non lineari è essa stessa non lineare, proprietà preziosa quando il segnale in ingresso (come quello vocale) è non lineare.
• Adattatività: la rete adatta i propri pesi sinaptici ai cambiamenti dell’ambiente e, in ambienti non stazionari, può farlo perfino in tempo reale.
• Informazione contestuale: la conoscenza è rappresentata dall’intero stato di attivazione della rete, e ogni neurone è potenzialmente influenzato dall’attività di tutti gli altri.
• Tolleranza ai guasti: implementata in hardware, la rete può degradare le prestazioni “dolcemente” in condizioni avverse, senza crolli improvvisi.
• Analogia neurobiologica: il progetto è ispirato al cervello, prova vivente che l’elaborazione parallela e tollerante ai guasti è non solo possibile, ma veloce e potente.

Non a caso i neurobiologi vedono le reti artificiali come uno strumento per interpretare i fenomeni cerebrali, mentre gli ingegneri guardano alla neurobiologia per trovare nuove idee.

Il sistema nervoso come sistema a tre stadi

Il sistema nervoso umano può essere visto come un sistema a tre stadi. Al centro c’è il cervello, la rete neurale, che riceve continuamente informazioni, le analizza e prende decisioni. I recettori convertono gli stimoli del corpo o dell’ambiente in impulsi elettrici diretti verso il cervello; gli effettori convertono gli impulsi generati dal cervello in risposte, cioè nelle uscite del sistema. Il flusso non è a senso unico: accanto alla trasmissione in avanti (forward) esistono cicli di feedback. Lo studio del cervello deve molto al lavoro pionieristico di Santiago Ramón y Cajal, che introdusse l’idea del neurone come elemento strutturale di base.

Sinapsi e potenziali d’azione

Le sinapsi sono le unità elementari che mediano le interazioni tra neuroni. La più comune è la sinapsi chimica, che libera un neurotrasmettitore: questo attraversa la giunzione sinaptica e agisce sul neurone successivo, convertendo un segnale elettrico in chimico e di nuovo in elettrico. Una sinapsi può essere eccitatoria o inibitoria, ma non entrambe sullo stesso neurone.

La maggioranza dei neuroni codifica le proprie uscite in una serie di impulsi di bassa tensione, i potenziali d’azione o spike, che nascono nel corpo cellulare e si propagano lungo il neurone con velocità e ampiezza costanti. L’uso dei potenziali d’azione dipende dalla struttura degli assoni, lunghi, sottili e a elevata resistenza e capacità elettrica: un assone si può modellare come una linea di trasmissione, in cui una tensione applicata a un’estremità decadrebbe con la distanza, se non intervenisse il meccanismo attivo degli spike a mantenerne l’ampiezza fino all’altro capo.

L’organizzazione gerarchica del cervello

Il cervello presenta organizzazioni anatomiche a piccola e a larga scala, con funzioni diverse a livelli diversi. Il livello fondamentale è quello delle sinapsi, che dipendono da molecole e ioni. Salendo, si incontrano i microcircuiti neuronali (paragonabili a microchip fatti di transistor), le sub-unità dendritiche, i singoli neuroni, poi i circuiti locali, che compiono le operazioni di una regione cerebrale, e infine i circuiti inter-regionali, fatti di percorsi, colonne e mappe topografiche che coinvolgono più regioni.

Le mappe topografiche sono organizzate per rispondere alle informazioni sensoriali: le mappe visiva, uditiva e somatosensitiva sono disposte in strati adiacenti, così che gli stimoli provenienti da punti corrispondenti dello spazio giacciano l’uno accanto all’altro. Al livello più alto, queste mappe mediano specifici comportamenti del sistema nervoso centrale.

Va detto con chiarezza: questa complessità gerarchica è propria del cervello e non si ritrova in un computer, né è lontanamente riproducibile con le reti artificiali odierne. I neuroni artificiali sono primitivi rispetto a quelli biologici, e le reti attuali risultano rozze in confronto ai circuiti cerebrali. Ciò che è notevole è il progresso degli ultimi decenni: microprocessori compatti ed economici che emulano i sistemi biologici e li superano in velocità, con applicazioni che vanno dall’elaborazione delle immagini al riconoscimento vocale, dal radar al sonar, dalla sismologia alla strumentazione biomedica.

Dall’adattamento all’emozione

Questi sistemi permettono un facile confronto con il nostro comportamento. Anche noi, come esseri umani, non sempre riusciamo a funzionare in ogni ambiente: il corpo e la mente possono non adattarsi a certi cambiamenti, e questo si riflette sui comportamenti. Ed è qui che entra in gioco un elemento che la sola ingegneria non basta a spiegare: l’emozione.

L’emozione è stata descritta come l’energia del pensiero, ciò che fa funzionare la percezione, il mezzo degli scambi sociali e il legame delle relazioni, la trama che dà continuità e coerenza alla personalità, ciò che colora l’esperienza e dà significato alla vita. Può essere una forza organizzatrice, ma potenzialmente anche disorganizzatrice. Soprattutto, l’emozione è fondamentale per comprendere la risposta adattativa all’ambiente.

Durante tutto il Novecento gli scienziati hanno esplorato il cervello per capirne il funzionamento, mostrando che sistema nervoso centrale e periferico forniscono cicli di feedback responsabili del comportamento dell’organismo. Comprendere come circa cento miliardi di neuroni generino pensieri ed emozioni resta una sfida enorme, resa più affrontabile dagli strumenti non invasivi per lo studio della localizzazione delle funzioni cerebrali. Oggi la tecnologia è matura, il cervello è stato modellato efficacemente con le reti neurali, e gli ingegneri possono dedicarsi anche al campo emozionale. Perché senza comprendere le emozioni non è possibile conoscere pienamente lo sviluppo umano: l’emozione è il carburante della crescita cognitiva e la “moneta” dell’evoluzione delle relazioni sociali.

Domande frequenti

Cos’è un sistema adattativo?

È un sistema capace di modificare sé stesso per rispondere ai cambiamenti dell’ambiente. Lo sono gli organismi viventi, le famiglie, le organizzazioni, ma anche sistemi ingegneristici come i controlli a feedback, i filtri adattativi e le reti neurali.

Come funziona una rete neurale artificiale?

È una macchina ispirata al cervello, formata da tante semplici unità (neuroni) interconnesse. Impara attraverso un processo di addestramento che modifica i “pesi sinaptici”, per poi generalizzare a situazioni nuove. La sua forza sta nella struttura parallela e nella capacità di apprendere.

Le reti neurali sono paragonabili al cervello umano?

Solo in parte. Si ispirano al cervello e ne emulano alcuni principi, ma i neuroni artificiali sono primitivi rispetto a quelli biologici, e nessuna rete attuale si avvicina alla complessità gerarchica dei circuiti cerebrali. Il cervello resta enormemente più sofisticato.

Che ruolo hanno le emozioni nell’adattamento?

Un ruolo centrale. L’emozione è descritta come l’energia del pensiero e il legame delle relazioni, ed è fondamentale per la risposta adattativa all’ambiente. Senza comprenderla non si può conoscere pienamente lo sviluppo umano: è il carburante della crescita cognitiva.