Intelligenza artificiale ispirata al cervello: spiking neural networks come modello di apprendimento biologicamente plausibile

Le reti neurali artificiali (ANNs) nascono come modello di machine learning con lo scopo di simulare il modo in cui i neuroni biologici comunicano, per poter riprodurre, seppur in maniera semplificata, la capacità di elaborazione di informazioni del cervello umano. Negli ultimi decenni, e soprattutto negli ultimi anni grazie all’avvento del deep learning, le reti neurali hanno trovato sempre più applicazione in vari settori, tra cui riconoscimento di immagini e riconoscimento vocale, diagnosi mediche, previsioni sull’andamento del mercato, supporto a processi decisionali e analisi del rischio. Tuttavia, il modello presenta problemi legato al consumo di energia, richiesta di quantità di dati, e costi computazionali alti. Queste problematiche oggi sono attenuate da un particolare tipo di reti neurali: le spiking neural networks (SNNs). Le SNNs rappresentano la terza generazione delle reti neurali artificiali, e sono ispirate, in maniera più forte rispetto alle deep neural networks, al meccanismo di funzionamento dei neuroni biologici. La comunicazione tra i nodi, i neuroni, avviene quindi tramite la trasmissione di segnali discreti, e permette di elaborare anche la componente temporale degli stimoli. L’obiettivo di questo elaborato è presentare le caratteristiche principali delle SNNs confrontandole con le reti biologiche, e fornire una panoramica sui settori di applicazione e e i recenti sviluppi di tale modello.