Nei campi delle neuroscienze e dell’ingegneria biomedica, la modellazione accurata dei complessi movimenti della mano umana è da tempo una sfida importante. I modelli attuali spesso faticano a catturare la complessa interazione tra i comandi motori del cervello e le azioni fisiche di muscoli e tendini. Questa lacuna non solo ostacola il progresso scientifico, ma limita anche lo sviluppo di neuroprotesi efficaci progettate per ripristinare la funzione della mano nelle persone amputate e paralizzate.
Il professor Alexander Mathis dell’EPFL e il suo team hanno sviluppato un approccio innovativo basato sull’intelligenza artificiale che consente di comprendere meglio queste complesse funzioni motorie. Il team ha dimostrato l’innovazione utilizzando una strategia di apprendimento automatico che combina l’apprendimento di rinforzo basato sul curriculum con simulazioni biomeccaniche dettagliate.
Riveliamo i meccanismi essenziali con cui il cervello e i muscoli lavorano insieme.
A lexander Mathis La loro ricerca presenta un modello dinamico dettagliato e anatomicamente accurato del movimento della mano, direttamente ispirato al modo in cui gli esseri umani apprendono abilità motorie complesse. Lo studio, che ha vinto il MyoChallenge alla conferenza NeurIPS del 2022, è stato pubblicato anche sulla rivista Neuron.
Controllare virtualmente le palline Baoding
"Ciò che mi entusiasma di più di questa ricerca è che stiamo scavando nel cuore dei principi fondamentali del controllo motorio umano, un’area che è stata a lungo un mistero. Non stiamo solo costruendo modelli, ma stiamo rivelando i meccanismi essenziali con cui il cervello e i muscoli lavorano insieme", confida il professor Mathis.La sfida NeurIPS, proposta da Meta, ha spinto il team dell’EPFL a esplorare un nuovo approccio a una tecnica di IA chiamata apprendimento per rinforzo. Il compito era quello di creare un’intelligenza artificiale in grado di manipolare con precisione due palline Baoding, ciascuna controllata da 39 muscoli in modo altamente coordinato. Questo compito, apparentemente semplice, è estremamente difficile da riprodurre virtualmente a causa delle complesse dinamiche dei movimenti della mano, tra cui la sincronizzazione dei muscoli e il mantenimento dell’equilibrio.
In questo ambiente altamente competitivo, tre dottorandi - Alberto Chiappa del gruppo di Alexander Mathis, Pablo Tano e Nisheet Patel del gruppo di Alexandre Pouget dell’Università di Ginevra - hanno superato in modo significativo i loro concorrenti. Il loro modello di intelligenza artificiale ha raggiunto un tasso di successo del 100% nella prima fase del concorso, superando di gran lunga il team rivale più vicino. Anche nella seconda fase, più difficile, il loro modello ha dimostrato la sua robustezza in situazioni sempre più complesse, mantenendo un vantaggio confortevole per vincere la competizione.
Scomposizione di compiti complessi e loro ripetizione
"Per vincere, ci siamo ispirati al modo in cui gli esseri umani apprendono abilità sofisticate, un processo noto comeallenamento segmentato nella scienza dello sport", spiega il professor Alexander Mathis. Questo approccio ha ispirato il metodo di apprendimento basato sul curriculum utilizzato nel modello di intelligenza artificiale, dove il complesso compito di controllare i movimenti della mano è stato suddiviso in parti più piccole e gestibili."Per superare i limiti degli attuali modelli di apprendimento automatico, abbiamo applicato un metodo chiamato apprendimento di rinforzo basato sul curriculum. Dopo 32 fasi e quasi 400 ore di addestramento, siamo riusciti a formare una rete neurale in grado di controllare con precisione un modello realistico di mano umana", spiega Alberto Chiappa.
Una delle chiavi del successo del modello sta nella sua capacità di riconoscere e utilizzare schemi di movimento ripetitivi di base, noti come primitivi motori. Questo approccio di apprendimento comportamentale potrebbe far luce sul ruolo del cervello nell’apprendimento delle primitive motorie per padroneggiare nuovi compiti. Questa complessa interazione tra cervello e manipolazione muscolare illustra quanto sia difficile creare macchine e protesi che imitino davvero il movimento umano.
"Per eseguire una serie di compiti quotidiani è necessaria un’ampia gamma di movimenti e un modello che assomigli a un cervello umano. Anche se ogni compito può essere suddiviso in piccole parti, ognuna di esse richiede una serie diversa di queste primitive motorie per essere eseguita correttamente", sottolinea Alexander Mathis.
Questa ricerca ci fornisce una solida base scientifica che rafforza la nostra strategia.S ilverstro Micera
Usare l’intelligenza artificiale per esplorare e comprendere i sistemi biologici
Silvestro Micera, ricercatore leader nel campo delle neuroprotesi presso l’Istituto Neuro X dell’EPFL e collaboratore di Mathis, sottolinea l’importanza cruciale di questa ricerca per comprendere il potenziale futuro e i limiti attuali anche delle protesi più avanzate. "Quello che ci manca oggi è una comprensione più approfondita del modo in cui vengono eseguiti i movimenti delle dita e il controllo motorio durante la presa. Questo lavoro va esattamente in questa direzione cruciale", osserva il professor Micera. "Sappiamo quanto sia importante collegare le protesi al sistema nervoso e questa ricerca ci fornisce una solida base scientifica che rafforza la nostra strategia".Abigail Ingster, studentessa di laurea triennale all’epoca del concorso e vincitrice della borsa di studio Summer in the Lab dell’EPFL, ha svolto un ruolo centrale nell’analisi della politica di apprendimento. Grazie alla borsa di studio che le ha permesso di fare esperienza pratica di ricerca, Abigail ha lavorato a stretto contatto con lo studente di dottorato Alberto Chiappa e con il professor Mathis per esplorare i complessi meccanismi della politica di apprendimento dell’intelligenza artificiale.
