Modelli neuro-computazionali di memoria semantica: analisi dell'apprendimento dipendente dal contesto e sincronismo neurale

I meccanismi neurali di memoria semantica sono fondamentali per capire deficit di conoscenza. Sono stati sviluppati modelli per lo studio della memoria per capire come la conoscenza del significato concettuale sia immagazzinata nel sistema nervoso. Un tipo di rete neurale è quella basata su dinamiche attrattive: informazioni che caratterizzano i concetti vengono espresse dall'attivazione simultanea di gruppi neuronali codificanti proprietà. La semantica di un concetto si descrive tramite collezioni di features che sintetizzano la conoscenza del concetto. Attraverso l'apprendimento sinaptico, un concetto viene memorizzato come punto di equilibrio; l'informazione completa si ripristina a partire da un punto iniziale. Le reti attrattive basate su proprietà forniscono intuizioni su fenomeni riguardanti la memoria in condizioni normali e patologiche. Questi modelli spiegano il ruolo delle features nella rappresentazione e la distinzione tra concetti subordinati e sovraordinati, presupponendo un ruolo diverso nell'archiviazione e nel ripristino. Nel presente lavoro, è stato esteso un modello di rete semantica monodimensionale e si sono indagati i meccanismi che portano alla formazione di categorie. Si vuole comprendere come le connessioni tra proprietà siano indotte dall’esperienza. La semantica di un oggetto dipende dal contesto, ovvero da proprietà che tendono a verificarsi insieme. Si studia infine un modello con oscillatori per mantenere in memoria differenti rappresentazioni. La sincronizzazione consente il ripristino simultaneo di concetti diversi risolvendo il problema di “binding & segmentation”. Le simulazioni mostrano come, evocando alcune features, siano richiamate le proprietà salienti; i risultati forniscono indicazioni sui meccanismi neurali usati per formare le categorie. La rete risolve compiti di riconoscimento concettuale, mantenendo la distinzione tra categorie e singoli membri, e discriminando tra features salienti e marginali