Reti Neurali di Hopfield e Perceptroni

Un modello di simulazione neurale si basa su un particolare algoritmo matematico che prende il nome del biofisico John Hopfield, e viene utilizzato per programmare opportunamente un computer, consentendogli di simulare alcuni processi elementari del cervello. L'elemento di base di una tale rete (neurone) prende il nome di Perceptrone.

La cellula nervosa é composta da un nucleo centrale che “elabora segnali” provenienti da canali di ingresso detti dentriti e li propaga alle cellule successive attraverso canali di uscita detti assoni. Il modello di simulazione di tipo Perceptrone, sostituisce i neuroni con degli elementi logici: i Perceptroni. Il singolo Perceptrone è costituito da una serie di ingressi assimilabili ai dentriti di un neurone, attraverso i quali vengono  ricevuti i segnali direttamente dall’esterno, o da altri Perceptroni che lo precedono, e che sono a esso collegati in una rete emulando quella dei neuroni del cervello.

Ogni segnale pervenuto su ciascuno dei collegamenti di ingresso, viene moltiplicato per un valore proprio di quel collegamento, detto “peso”; viene, ovvero, “amplificato” diversamente a seconda dell’ingresso da cui proviene il segnale.

Questo sistema assegna, quindi, maggiore o minore importanza alla componente elementare del segnale che perviene su quel particolare ingresso.

Se si limitasse a questo, però, il Perceptrone opererebbe solo una ricostruzione dell’immagine in forma non “intelligente”. In realtà il segnale derivante dalla somma pesata degli ingressi viene fatto passare per un sistema “a soglia”.

Questo tipo di sistema fa sì che il segnale di uscita del Perceptrone sia in diretta proporzione rispetto all’ingresso (tanto più alto quanto più grande è l’ingresso) solo all’interno di un certo intervallo mentre, al di sopra o al di sotto di tale intervallo, detto soglia,  l’uscita diviene rispettivamente uguale a 1 o a 0.

In altre parole, la rete è in grado di trasferire un segnale che può essere  un SI, un NO, o una gradazione di NI a partire da ingressi che vengono prima “pesati” in base all’importanza che il singolo Perceptrone assegna a ciascuno di essi, e quindi sommati. Se la somma è “sufficientemente” grande si ottiene un SI, se è bassa si ottiene un NO, o varie gradazioni di NI all’interno dell’intervallo tra queste due risposte estreme.

L’attività “intelligente” del Perceptrone è assicurata da un particolare processo di apprendimento il cui scopo è fare in modo che la rete dei Perceptroni generi un modello  empirico che le consenta di “comprendere” la realtà, osservrala, e memorizzarla nello stesso tempo.

Per ottenere l'apprendimento si offrono alla rete di Perceptroni, una serie di esempi di domande e risposte in sequenza continua. Il calcolo del giusto “peso” per ciascuno degli ingressi di un Perceptrone viene assicurato attraverso un meccanismo automatico di correzione basato su aggiustamenti progressivi dipendenti dall’errore che il Perceptrone commette quando, dato un ingresso risponde con una uscita diversa da quella attesa.

La rete, pian piano, si adatta in modo che alla fine di questo processo ripetitivo, tutte le risposte fornite siano quelle corrette somministratele attraverso gli esempi usati per indurre l’apprendimento.

Ciò fa sì che la rete neurale di Perceptroni, dopo aver generato un modello che risponde agli esempi che le sono stati forniti memorizzando la sequenza domanda-risposta offartele, sia in grado di adoperare tale modello anche come strumento di analisi per casi similari che non facevano parte dell’insieme di esempi originali. Tale fondamentale caratteristica, che rende “intelligente” la rete, viene detta “Capacità di Generalizzazione”.