La connettività laterale locale è sufficiente per replicare l’organizzazione topografica di tipo corticale nelle reti neurali profonde

Perché le mappe simili al cervello contano nell’IA

I nostri cervelli dispongono i neuroni con compiti simili fianco a fianco, formando mappe ordinate per elementi come bordi, volti e luoghi. Questa disposizione si osserva in molte specie e aree cerebrali, tuttavia gli scienziati discutono ancora il perché della sua esistenza e come si formi. Questo studio chiede se una regola di connessione semplice — permettere ai neuroni vicini di comunicare tra loro — possa far emergere spontaneamente mappe simili nelle reti artificiali, e se tale organizzazione conferisca vantaggi pratici ai calcolatori, per esempio una visione più robusta in un mondo rumoreggiato.

Pattern sulla superficie cerebrale

Nelle primati, la corteccia visiva non è un ammasso disordinato di cellule. Piuttosto, è disposta come un patchwork in cui i neuroni vicini tendono a preferire caratteristiche visive simili. Le aree precoci contengono mappe di orientamento e colore; le aree successive racchiudono zone sintonizzate su volti, corpi, scene o oggetti di uso quotidiano. Le teorie classiche propongono che questo ordine sia evoluto per mantenere i collegamenti corti ed efficienti, ma di solito assumono regole di apprendimento speciali o obiettivi aggiuntivi difficili da giustificare biologicamente. Gli autori si concentrano invece su una caratteristica anatomica più basilare, osservata ampiamente in corteccia: connessioni laterali brevi che mettono in relazione neuroni vicini, spesso più forti tra cellule che rispondono già in modo simile.

Costruire un foglio corticale virtuale

I ricercatori partono da un modello visivo profondo standard, ResNet18, e riorganizzano le sue unità in modo che ciascuna occupi una posizione fissa su un «foglio corticale» bidimensionale. All’interno di ogni layer aggiungono connessioni laterali locali la cui forza decresce con la distanza, imitando come i neuroni corticali vicini influiscano l’uno sull’altro più di quelli distanti. Questi collegamenti laterali non sono addestrati con discesa del gradiente; vengono invece aggiornati solo i consueti pesi feedforward. Il modello impara quindi un unico compito — riconoscimento di oggetti su un ampio dataset di immagini — usando backpropagation standard, senza alcun termine aggiuntivo che premi direttamente mappe lisce o cablaggio corto.

Mappe di tipo cerebrale da bordi a volti

Anche con questo setup semplice emerge una topografia ricca. Nei layer iniziali, le unità formano mappe continue per orientamento, frequenza spaziale e colore che somigliano a quelle registrate nella corteccia visiva primaria. Le unità vicine rispondono in modo più simile rispetto a quelle distanti, e le direzioni lungo le quali cambiano orientamento e frequenza spaziale tendono ad incrociarsi ad angolo retto, riecheggiando dati animali a dettaglio fine. Quando il primo layer viene reso più biologicamente dettagliato rimuovendo la condivisione dei pesi, il modello riproduce anche caratteristiche distintive come i pattern a pinwheel nelle mappe di orientamento. Nei layer più profondi compaiono ammassi sintonizzati su categorie come volti, corpi e scene, disposti in bande allungate attraverso il foglio simulato, paralleli alle disposizioni note nella corteccia temporale ventrale umana. Il modello riproduce persino divisioni più ampie, come flussi separati per entità animate rispetto a inanimate e per oggetti reali di dimensioni piccole rispetto a quelle grandi.

Aree cerebrali non esplorate ed economia del cablaggio

Lo studio va oltre i punti caldi familiari per sondare regioni la cui funzione è meno definita. Utilizzando dati di imaging cerebrale ad alta risoluzione, gli autori identificano una patch intermedia di corteccia umana situata tra aree selettive per volti e per luoghi. Nel loro modello, le unità la cui attività corrisponde meglio a questa patch occupano posizioni intermedie tra i corrispondenti ammassi selettivi per volti e scene, suggerendo che la topografia artificiale generalizza anche a territori non esplorati. Stimano inoltre la lunghezza efficace del cablaggio tra unità fortemente attive attraverso i layer. Sorprendentemente, le reti con connessioni laterali finiscono con una lunghezza complessiva delle connessioni molto più corta rispetto sia alla rete non topografica originale sia a un modello precedente esplicitamente ottimizzato per minimizzare il cablaggio, implicando che un apprendimento realistico da solo può favorire disposizioni economiche quando l’architettura include struttura laterale locale.

Visione robusta tramite lavoro locale di gruppo

Una delle scoperte più intriganti è funzionale: le mappe raggruppate rendono il modello più difficile da ingannare. Quando le immagini sono deliberatamente perturbate da attacchi avversari intensi — minuscole modifiche ai pixel progettate per fuorviare il classificatore — le reti con connessioni laterali locali mantengono una precisione maggiore rispetto al modello di base, soprattutto quando le connessioni laterali coprono un quartiere più ampio. Gli autori interpretano gli ammassi come ensemble di unità simili che mediando riducono il rumore, similmente ai metodi ensemble nel machine learning. Ciò suggerisce che la topografia possa essere più di un semplice cablaggio ordinato: può anche sostenere una percezione stabile e affidabile permettendo a gruppi di neuroni vicini di cooperare.

Cosa significa per cervelli e macchine

Il lavoro mostra che aggiungere semplicemente connessioni laterali locali realistiche a una rete profonda è sufficiente per produrre mappe simili alla corteccia su più scale, senza regole di apprendimento speciali che i neuroni difficilmente implementerebbero. Allo stesso tempo, questa organizzazione migliora la robustezza e riduce il cablaggio totale, suggerendo che l’evoluzione potrebbe aver favorito la topografia sia per efficienza sia per una percezione affidabile. Per le neuroscienze, il modello offre una ricetta di circuito unificata che può spiegare mappe visive diversificate; per l’intelligenza artificiale, indica architetture non solo più simili al cervello ma anche più resilienti di fronte a input rumorosi o avversari.

Citazione: Qian, X., Dehghani, A.O., Farahani, A.B. et al. Local lateral connectivity is sufficient for replicating cortex-like topographical organization in deep neural networks. Nat Commun 17, 4042 (2026). https://doi.org/10.1038/s41467-026-70065-3

Parole chiave: topografia corticale, connettività laterale, reti neurali profonde, corteccia visiva, robustezza agli attacchi avversari