Una rete neurale spiking prevede cosa, quando e con quale probabilità

Immaginate di sentire un suono familiare e di attendere qualcosa: il cervello è in grado di anticipare cosa accadrà, quando e con quale probabilità. Tuttavia, i modelli computazionali tradizionali trattano spesso queste domande separatamente o impiegano metodi di apprendimento difficili da conciliare con le reti biologiche. Un nuovo lavoro guidato dal prof. Zenas C. Chao e dal dott. Yohei Yamada dell’International Research Center for Neurointelligence (WPI‑IRCN) dell’Università di Tokyo propone un’alternativa in cui una singola popolazione di neuroni spiking apprende simultaneamente i tre aspetti.

Obiettivo e contesto dello studio

Il team ha sviluppato un modello di rete spiking ricorrente per verificare se una singola popolazione neurale potesse apprendere l’identità dell’evento, il suo timing e la sua probabilità usando regole di apprendimento locale, senza ricorrere al back‑propagation o a segnali di errore globali. I risultati sono stati pubblicati online su Communications Biology il 26 agosto 2026.

Progettazione del compito di previsione multi‑evento

Gli sperimentatori hanno ideato il “Multi‑Event Expectation Task”, in cui un breve segnale di avviso anticipava uno di due possibili eventi. Ogni evento aveva un ritardo atteso distinto e una probabilità variabile. La rete è stata addestrata in blocchi di 100 prove e poi testata presentando solo il segnale di avviso, permettendo di osservare l’attività generata dalla previsione interna della rete.

• Numero di neuroni spiking nella rete: 1 000
• L’apprendimento è stato limitato alle connessioni di lettura (readout)
• Le probabilità degli eventi e i ritardi attesi variavano durante le prove

Risultati principali

Il modello ha integrato con successo le tre dimensioni della previsione. Quando la probabilità di un evento aumentava, l’attività prevista diventava più intensa; quando il timing previsto cambiava, la risposta anticipatoria della rete si spostava di conseguenza. La maggior parte del miglioramento è avvenuta nei primi 50 tentativi. Identità e timing sono stati rappresentati da pattern separabili all’interno della stessa popolazione neurale, anziché da moduli distinti.

Adattamento a cambiamenti improvvisi

La rete ha mostrato capacità di adattamento quando le probabilità o i tempi degli eventi sono stati cambiati bruscamente. Gli errori di previsione sono aumentati al momento del cambiamento per poi diminuire nuovamente, indicando un processo di ricalibrazione rapida.

Confronto con approcci alternativi

Rispetto a metodi basati su minimi quadrati globali e a versioni prive di aggiornamenti di timing online o di letture condivise, l’approccio di apprendimento locale ha mantenuto rappresentazioni più stabili e ha consentito una ripresa più veloce delle prestazioni.

Analisi delle rappresentazioni interne

Ulteriori analisi hanno mostrato che probabilità e timing formavano pattern fattorizzati nei pesi di lettura, pur rimanendo all’interno di una popolazione neurale sovrapposta. Il modello ha inoltre generalizzato a diversi numeri di eventi possibili, variabilità temporale e forme del segnale di insegnamento, suggerendo che il quadro non è limitato a un unico compito.

Implicazioni per l’intelligenza artificiale e il neuromorphic computing

Le regole di apprendimento locale potrebbero risultare particolarmente adatte a hardware neuromorfico che deve adattarsi in tempo reale con efficienza energetica. Inoltre, il modello genera ipotesi neuroscientifiche verificabili riguardo a popolazioni condivise e segnali neuromodulatori che potrebbero aggiornare le previsioni nel cervello.

Citazioni dei ricercatori

«La previsione nella vita quotidiana è intrinsecamente multidimensionale», ha commentato il prof. Chao. «I nostri risultati mostrano, a livello computazionale, che una singola popolazione spiking ricorrente può apprendere cosa ci si aspetta, quando ci si aspetta e con quale probabilità, aggiornando queste previsioni quando le statistiche ambientali cambiano.»

«Volevamo collegare un’idea semplice di previsione quotidiana a un meccanismo di apprendimento che potesse operare localmente», ha aggiunto. «Il modello fornisce una base computazionale per indagare come la previsione flessibile possa emergere senza un apprendimento coordinato a livello globale.»

Conclusioni

Lo studio dimostra, tramite simulazioni computazionali, che una rete spiking ricorrente può codificare congiuntamente identità, timing e probabilità di eventi e aggiornare rapidamente queste previsioni in risposta a cambiamenti ambientali. Pur non dimostrando direttamente come il cervello implementi queste funzioni, il lavoro fornisce un quadro teorico solido e idee sperimentali testabili per future ricerche sulla cognizione e sui sistemi artificiali adattivi.

Riferimenti e contatti

L’articolo originale, “Joint encoding of ‘what’ and ‘when’ predictions through error-modulated plasticity in biologically plausible spiking networks”, è disponibile su Communications Biology (doi:10.1038/s42003-026-10836-2).

L’International Research Center for Neurointelligence (WPI‑IRCN) dell’Università di Tokyo, istituito nel 2017, si dedica a comprendere i principi fondamentali della maturazione dei circuiti neurali e a sviluppare IA di nuova generazione ispirata al cervello.

Il programma World Premier International Research Center Initiative (WPI), lanciato nel 2007 dal Ministero dell’Educazione, della Cultura, dello Sport, della Scienza e della Tecnologia (MEXT) del Giappone, sostiene centri di ricerca di eccellenza a livello globale.

Per ulteriori informazioni, visita https://ircn.jp/en/ e il portale WPI News all’indirizzo https://www.eurekalert.org/newsportal/WPI.