Modelli matematici e applicazioni reali

Una crescente mole di prove suggerisce che gli animali e in particolare gli esseri umani sono capaci di un’inferenza bayesiana matematicamente ottimale e che il cervello è una sorta di macchina dell’inferenza bayesiana. Un recente lavoro che descrive il modo in cui una rete neurale potrebbe memorizzare e manipolare le distribuzioni di probabilità offre ulteriore supporto all’ipotesi.

Il progetto BMBISAMJOHNSON (“Biological mechanisms for Bayesian inference”), finanziato dall’UE, intendeva indagare il tema, sviluppando modelli di reti neurali in cui l’interferenza bayesiana è integrata con altre funzioni cerebrali, come la memoria di lavoro o di elaborazione delle informazioni.

Il rafforzamento graduale delle connessioni (sinapsi) tra due neuroni è il substrato neurobiologico della memoria a lungo termine, come, ad esempio, nell’apprendere ad andare in bicicletta. Tuttavia, molte funzioni cognitive, tra cui inferenza, memoria a breve termine e memoria sensoriale, avvengono su scale temporali molto più piccole.

Il team ha sviluppato il concetto dei riverberi a cluster in cui piccoli gruppi di neuroni ricevono segnali reciproci per spiegare molte delle caratteristiche di tali funzioni. I ricercatori hanno suggerito un meccanismo attraverso il quale si potrebbe sostenere l’inferenza umana ottimale da informazioni sensoriali incerte.

Gli scienziati hanno continuato a svolgere numerose altre indagini matematiche di argomenti relativi a campi di interesse molto diversi. Dalle reti piante-impollinatori e le istituzioni finanziarie agli errori di campionamento nella ricerca sulla salute pubblica ad un argomento di accesi dibattiti in materia di stabilità della catena alimentare, i ricercatori hanno sviluppato nuovi concetti e identificato nuove proprietà della rete che spiegano come funziona il mondo.

I metodi e algoritmi sviluppati insieme con le proprietà di rete emergenti che sono stati identificati troverà ampia applicazione in matematica, economia, biologia e medicina.