Auto-organizzazione, biologia e intelligenza artificiale
L’auto-organizzazione è la comparsa di ordine macroscopico a partire da interazioni locali tra molte componenti, in sistemi generalmente aperti, dinamici e soggetti a vincoli. Essa non equivale al puro caso, né presuppone un progettista interno: l’ordine nasce dall’intreccio di retroazioni positive e negative, non linearità, diffusione, competizione, cooperazione, fluttuazioni e selezione. I modelli matematici rendono questa idea controllabile e verificabile; l’intelligenza artificiale, a sua volta, permette di inferire regole nascoste dai dati e può essere costruita mediante dinamiche locali auto-organizzanti.
1. Che cos’è l’auto-organizzazione
Un sistema è detto auto-organizzante quando una configurazione ordinata, una funzione coordinata o una struttura persistente emerge dalle interazioni tra le sue parti senza che una singola parte possieda il piano completo e senza che un controllore centrale impartisca istruzioni dettagliate. Una membrana si forma perché i fosfolipidi interagiscono con l’acqua; un tessuto prende forma perché cellule vicine si scambiano segnali e forze; uno stormo mantiene una direzione perché ogni uccello reagisce a pochi vicini; una rete neurale può specializzarsi perché le sinapsi cambiano in funzione dell’attività locale.
La parola “spontaneo” va usata con attenzione. Non significa “senza cause”. Significa che la forma globale non viene imposta pezzo per pezzo dall’esterno. Il sistema obbedisce a leggi fisiche, possiede condizioni iniziali, riceve energia, è immerso in un ambiente e può essere stato modellato dall’evoluzione. L’auto-organizzazione riguarda il modo in cui, date queste condizioni, le interazioni interne generano un ordine non esplicitamente contenuto in un comando centrale.
Schema generale: \[ \text{componenti}+\text{interazioni locali}+\text{vincoli}+\text{flussi} \longrightarrow \text{ordine collettivo}. \]Le componenti possono essere molecole, cellule, organismi, neuroni artificiali o robot. Le interazioni possono essere chimiche, meccaniche, elettriche o informative. I vincoli delimitano ciò che è possibile; i flussi di materia ed energia mantengono lontano dall’equilibrio molti sistemi viventi.
Questo concetto deve essere distinto da tre idee vicine. L’autoassemblaggio indica spesso la formazione di una struttura di equilibrio o quasi-equilibrio, come il doppio strato fosfolipidico. L’autopoiesi, formulata da Humberto Maturana e Francisco Varela, riguarda la produzione ricorsiva dei componenti che mantengono l’unità vivente. L’emergenza è più generale: una proprietà macroscopica è emergente quando dipende dall’organizzazione delle parti e non è attribuibile a una parte isolata. Molti processi auto-organizzanti sono emergenti, ma non ogni proprietà emergente implica adattamento o auto-mantenimento.
2. Il linguaggio matematico minimo
2.1 Variabili, parametri e stato
Un modello matematico sceglie alcune quantità misurabili. Una variabile cambia nel tempo o nello spazio: per esempio la concentrazione \(u(t)\), la densità cellulare \(n(x,t)\), il potenziale di un neurone \(V_i(t)\). Un parametro viene trattato come costante durante una simulazione: per esempio una velocità di reazione \(k\), un coefficiente di diffusione \(D\), una forza di accoppiamento \(K\).
Lo stato del sistema è l’insieme dei valori necessari per determinarne l’evoluzione. Se bastano due variabili, si può scrivere
\[ \mathbf{x}(t)= \begin{pmatrix} x_1(t)\\ x_2(t) \end{pmatrix}. \]2.2 Derivata: la velocità di cambiamento
La derivata \(\frac{dx}{dt}\) misura quanto rapidamente cambia \(x\). Se
\[ \frac{dx}{dt}=ax, \]la velocità di crescita è proporzionale al valore presente. Con \(a>0\), più grande è \(x\), più rapidamente cresce. La soluzione è
\[ x(t)=x(0)e^{at}. \]Nei sistemi auto-organizzanti le equazioni sono spesso accoppiate: il cambiamento di una variabile dipende dalle altre.
\[ \frac{dx}{dt}=f(x,y), \qquad \frac{dy}{dt}=g(x,y). \]La funzione \(f\) dice come \(x\) evolve in base ai valori correnti di \(x\) e \(y\); \(g\) svolge lo stesso ruolo per \(y\).
2.3 Retroazione e non linearità
Una retroazione positiva amplifica una deviazione. Un termine come \(+ax^2\) fa crescere \(x\) più rapidamente quando \(x\) è già grande. Una retroazione negativa limita la crescita. Nell’equazione logistica
\[ \frac{dx}{dt}=rx\left(1-\frac{x}{K}\right), \]\(x(t)\) è la popolazione, \(r\) il tasso massimo di crescita e \(K\) la capacità portante. Quando \(x\ll K\), il fattore \(1-x/K\) è vicino a 1 e la popolazione cresce. Quando \(x\to K\), quel fattore tende a zero e la crescita rallenta.
L’equazione è non lineare perché contiene \(x^2\) dopo aver sviluppato il prodotto. La non linearità permette soglie, molteplici stati stabili, oscillazioni e transizioni improvvise: fenomeni centrali nell’auto-organizzazione.
2.4 Spazio, gradiente e diffusione
Se una quantità cambia anche nello spazio, si usa una funzione come \(u(x,t)\), dove \(x\) è la posizione e \(t\) il tempo. In più dimensioni si scrive \(u(\mathbf{x},t)\).
Il gradiente \(\nabla u\) indica la direzione in cui \(u\) aumenta più rapidamente. Il laplaciano \(\nabla^2u\) confronta il valore locale con i valori vicini. Nell’equazione della diffusione
\[ \frac{\partial u}{\partial t}=D\nabla^2u, \]\(D>0\) è il coefficiente di diffusione. Se in un punto \(u\) è maggiore che nei dintorni, la diffusione tende ad abbassarlo; se è minore, tende ad aumentarlo. La diffusione quindi smussa le differenze.
Immagine intuitiva: Una goccia d’inchiostro in acqua si allarga perché il moto molecolare riduce gradualmente la differenza tra zone concentrate e zone diluite.2.5 Stabilità e attrattori
Uno stato \(x^*\) è un punto di equilibrio se
\[ \left.\frac{dx}{dt}\right|_{x=x^*}=0. \]È stabile se piccole perturbazioni si riducono e il sistema ritorna verso \(x^*\). È instabile se le perturbazioni crescono. Un attrattore può essere un punto, un ciclo periodico o una struttura più complessa verso cui converge una regione di stati iniziali.
Molti processi biologici possono essere interpretati come convergenza verso attrattori: uno stato di espressione genica, un ritmo stabile, una forma rigenerata o una configurazione collettiva.
3. Termodinamica, sistemi aperti e strutture dissipative
La vita non è un’eccezione al secondo principio della termodinamica. Un organismo mantiene ordine interno scambiando materia ed energia con l’ambiente e producendo entropia altrove. Per un sistema aperto si può distinguere tra variazione interna ed esportazione:
\[ \frac{dS}{dt}= \frac{d_iS}{dt}+ \frac{d_eS}{dt}. \]Ilya Prigogine chiamò strutture dissipative le forme ordinate che esistono grazie a un flusso continuo e lontano dall’equilibrio: celle convettive, oscillazioni chimiche, vortici e, in senso più complesso, sistemi viventi. L’ordine locale è reso possibile dalla dissipazione complessiva.
Un esempio chimico è la reazione di Belousov–Zhabotinsky, in cui concentrazioni chimiche oscillano e, in uno strato sottile, generano onde e spirali. Non è un’oscillazione imposta da un metronomo esterno: nasce dalla rete di reazioni, dai ritardi e dalle retroazioni.
Un modello elementare di oscillatore può essere rappresentato schematicamente da
\[ \frac{dx}{dt}=a-x-xy, \qquad \frac{dy}{dt}=bx-xy. \]Le precise oscillazioni dipendono dalla forma del modello e dai parametri. Ciò che conta è che le variabili non evolvono indipendentemente: l’aumento di una modifica la velocità dell’altra, creando una traiettoria ciclica nello spazio degli stati.
Distinzione importante: Un doppio strato lipidico può autoassemblarsi avvicinandosi a un minimo di energia libera; una struttura dissipativa, invece, scompare quando cessano i flussi che la mantengono. Equilibrio e lontananza dall’equilibrio sono due regimi diversi dell’auto-organizzazione.4. Reazione-diffusione e morfogenesi: il modello di Turing
Nel 1952 Alan Turing mostrò che la diffusione, normalmente uniformante, può destabilizzare uno stato omogeneo quando è accoppiata a reazioni non lineari tra almeno due sostanze. Il modello generale è
\[ \frac{\partial u}{\partial t} = D_u\nabla^2u+f(u,v), \] \[ \frac{\partial v}{\partial t} = D_v\nabla^2v+g(u,v). \]Parametri: \(D_u,D_v\) sono coefficienti di diffusione.
Relazioni: \(f(u,v)\) e \(g(u,v)\) descrivono produzione, degradazione e interazioni chimiche. Il laplaciano descrive lo scambio con i punti vicini.
Supponiamo che \(u\) sia un attivatore: favorisce la propria produzione. Supponiamo che produca anche \(v\), un inibitore che si diffonde più rapidamente. Un piccolo aumento casuale di \(u\) in una zona viene amplificato localmente, ma \(v\) si allarga e impedisce che tutta la regione si attivi. Il risultato è “attivazione locale e inibizione laterale”: picchi separati, macchie o strisce.
Un modello attivatore-inibitore, nella forma di Gierer–Meinhardt, può essere scritto schematicamente come
\[ \frac{\partial a}{\partial t} = D_a\nabla^2a+ \rho+ \frac{a^2}{h} -\mu_a a, \] \[ \frac{\partial h}{\partial t} = D_h\nabla^2h+ \sigma a^2- \mu_h h. \]Come evolvono le variabili? Se \(a\) aumenta localmente, il termine \(a^2/h\) può farlo crescere ancora. Contemporaneamente aumenta la produzione \(\sigma a^2\) di \(h\). Poiché \(h\) si diffonde più rapidamente, riduce l’attivazione nelle zone vicine. Il sistema non raggiunge necessariamente una concentrazione uniforme, ma una distribuzione spaziale stabile.
Il modello non afferma che ogni striscia animale sia prodotta da due sostanze ideali. Offre una classe di meccanismi verificabili. In biologia reale, i morfogeni interagiscono con crescita dei tessuti, meccanica, geometria, regolazione genica e rumore. Il valore scientifico del modello sta nel produrre predizioni: lunghezza d’onda dei pattern, dipendenza dai tassi di diffusione, effetti di perturbazioni e capacità di rigenerazione.
5. Chemotassi e aggregazione: Keller–Segel
Molte cellule si muovono seguendo gradienti chimici. Il modello di Keller–Segel descrive la dinamica accoppiata tra una popolazione mobile e il segnale che essa produce o percepisce:
\[ \frac{\partial n}{\partial t} = D_n\nabla^2n – \chi\nabla\cdot(n\nabla c), \] \[ \frac{\partial c}{\partial t} = D_c\nabla^2c+ \alpha n-\beta c. \]Il primo termine \(D_n\nabla^2n\) disperde le cellule. Il secondo termine le trasporta verso valori maggiori di \(c\): il prodotto \(n\nabla c\) indica che il flusso chemotattico cresce sia con il numero di cellule disponibili sia con la ripidità del gradiente. Nella seconda equazione, \(\alpha n\) collega la densità cellulare alla produzione del segnale.
La retroazione è immediata:
\[ \text{più cellule} \rightarrow \text{più segnale} \rightarrow \text{migrazione verso la zona} \rightarrow \text{ancora più cellule}. \]La diffusione e la degradazione contrastano questa amplificazione. Se la chemotassi domina eccessivamente, il modello può produrre concentrazioni molto elevate; biologicamente intervengono spesso saturazione, volume cellulare, consumo del segnale e limiti meccanici.
6. Adesione cellulare, minimizzazione energetica e formazione dei tessuti
Cellule con differenti proprietà adesive possono separarsi spontaneamente in domini, analogamente a fluidi non miscibili. Nel Cellular Potts Model una cellula occupa più siti di una griglia. A ogni configurazione viene associata un’energia efficace:
\[ H= \sum_{\langle p,q\rangle} J_{\tau(\sigma_p),\tau(\sigma_q)} \bigl(1-\delta_{\sigma_p,\sigma_q}\bigr) + \sum_{\sigma} \lambda_A(A_\sigma-A_\sigma^0)^2. \]Il modello prova piccole modifiche locali, come assegnare un sito a una cellula confinante. Se l’energia diminuisce, la modifica è favorita. Se aumenta, può essere accettata con una probabilità che decresce con il costo:
\[ P(\text{accetta})= \begin{cases} 1, & \Delta H\leq0,\\ e^{-\Delta H/T}, & \Delta H>0. \end{cases} \]\(T\) è una “temperatura” efficace che rappresenta motilità e rumore, non necessariamente la temperatura fisica.
Da regole locali di contatto emergono separazione, avvolgimento, compattazione e ordinamento dei tessuti. Il modello collega biologia cellulare, meccanica statistica e algoritmi Monte Carlo.
7. Stormi, banchi, colonie e modelli ad agenti
Nei modelli ad agenti ogni individuo è rappresentato esplicitamente. Nel modello di Vicsek, l’agente \(i\) possiede posizione \(\mathbf{x}_i(t)\), velocità di modulo \(v\) e direzione \(\theta_i(t)\). La posizione evolve secondo
\[ \mathbf{x}_i(t+\Delta t) = \mathbf{x}_i(t)+ v\mathbf{e}(\theta_i(t))\Delta t, \]dove \(\mathbf{e}(\theta)=(\cos\theta,\sin\theta)\) è un vettore unitario. La direzione viene aggiornata mediando le direzioni dei vicini:
\[ \theta_i(t+\Delta t) = \operatorname{Arg} \left( \sum_{j\in\mathcal N_i} e^{\,\mathrm{i}\theta_j(t)} \right) +\eta_i(t). \]Una misura dell’ordine globale è
\[ \Phi= \frac{1}{Nv} \left| \sum_{i=1}^{N}\mathbf{v}_i \right|. \]Se le direzioni si cancellano, \(\Phi\approx0\). Se tutti si muovono nella stessa direzione, \(\Phi\approx1\). Aumentando densità o forza di allineamento, oppure riducendo il rumore, può apparire una transizione collettiva.
Nelle colonie di formiche, la stigmergia aggiunge una memoria ambientale. Una possibile dinamica del feromone \(P_e(t)\) su un sentiero \(e\) è
\[ P_e(t+1)=(1-\rho)P_e(t)+Q\,N_e(t). \]La retroazione positiva del deposito seleziona percorsi; l’evaporazione evita una memoria eterna e consente adattamento. La soluzione collettiva non è calcolata da una formica centrale: è incorporata nella dinamica tra comportamento e ambiente.
8. Reti di regolazione genica, stati cellulari e attrattori
Una cellula differenziata mantiene un profilo di espressione genica grazie a reti di attivazione e repressione. Nel modello booleano ogni gene è idealizzato come acceso o spento:
\[ x_i(t)\in\{0,1\}, \qquad x_i(t+1)=F_i(x_1(t),\ldots,x_n(t)). \]Per esempio,
\[ x_3(t+1)=x_1(t)\land \neg x_2(t) \]significa che il gene 3 si attiva se il gene 1 è acceso e il gene 2 è spento. Iterando le regole, la rete può entrare in uno stato stabile o in un ciclo. Stuart Kauffman propose di interpretare tali attrattori come analoghi astratti di tipi cellulari.
Una versione continua usa equazioni differenziali:
\[ \frac{dx_i}{dt} = \alpha_i \frac{x_j^{\,n}}{K_i^{\,n}+x_j^{\,n}} -\beta_i x_i. \]Quando \(n\) è grande, la funzione di Hill si comporta quasi come una soglia. Combinando autoattivazione e repressione reciproca si possono ottenere due stati stabili: una forma matematica di memoria cellulare.
9. Sincronizzazione: il modello di Kuramoto
Cellule pacemaker, neuroni, lucciole e oscillatori chimici possono sincronizzarsi. Il modello di Kuramoto assegna a ogni oscillatore una fase \(\theta_i(t)\):
\[ \frac{d\theta_i}{dt} = \omega_i+ \frac{K}{N} \sum_{j=1}^{N} \sin(\theta_j-\theta_i). \]Se \(K\) è piccolo rispetto alla diversità delle frequenze \(\omega_i\), gli oscillatori restano incoerenti. Se supera una soglia, una frazione crescente si sincronizza. L’ordine può essere misurato da
\[ re^{i\psi} = \frac{1}{N}\sum_{j=1}^{N}e^{i\theta_j}, \]dove \(r\in[0,1]\) è il grado di sincronizzazione e \(\psi\) la fase media. La variabile \(r\) è un parametro d’ordine: riassume il comportamento di molti elementi in un solo numero.
Immagine intuitiva: Molti metronomi con ritmi leggermente diversi, posti su una base mobile, finiscono per influenzarsi attraverso il movimento della base. La base costituisce un canale di accoppiamento; non serve un direttore d’orchestra.10. Auto-organizzazione critica
Per Bak, Chao Tang e Kurt Wiesenfeld proposero modelli in cui un sistema guidato lentamente raggiunge spontaneamente uno stato vicino a una soglia critica. Nel modello del mucchio di sabbia, ogni sito contiene un’altezza \(z_i\). Se supera una soglia \(z_c\), distribuisce materiale ai vicini:
\[ z_i\rightarrow z_i-q, \qquad z_j\rightarrow z_j+1 \quad \text{per i vicini }j. \]Una singola aggiunta può produrre una cascata di dimensione \(s\). In molti modelli la distribuzione assume approssimativamente una legge di potenza:
\[ P(s)\propto s^{-\tau}. \]La criticità è stata proposta per attività neuronale, incendi ed ecosistemi. Bisogna però distinguere una legge di potenza apparente da una dimostrazione di criticità: rumore, mescolanza di processi e campionamento limitato possono produrre distribuzioni simili.
11. L’intelligenza artificiale come strumento per rivelare l’auto-organizzazione
11.1 Dal pattern alle regole: il problema inverso
Nei modelli precedenti conoscevamo le equazioni e calcolavamo il comportamento. In laboratorio accade spesso il contrario: possediamo immagini, tracciati e sequenze, ma non conosciamo pienamente le equazioni. L’AI affronta allora il problema inverso:
\[ \text{dati osservati }Y \longrightarrow \text{modello }\widehat{M} \text{ e parametri }\widehat{\theta}. \]Una rete può essere addestrata su molte simulazioni con parametri noti e imparare a stimarli da un pattern. Questo permette di inferire, per esempio, quali rapporti di diffusione e reazione siano compatibili con macchie osservate. Il vantaggio è la velocità; il rischio è la non-identificabilità: modelli differenti possono produrre dati quasi indistinguibili.
11.2 Physics-Informed Neural Networks
Una Physics-Informed Neural Network approssima una soluzione \(\hat u_\theta(\mathbf{x},t)\), ma viene addestrata sia sui dati sia sul residuo dell’equazione. Per una dinamica
\[ \frac{\partial u}{\partial t}=\mathcal{F}[u;\lambda], \]si definisce il residuo
\[ R_\theta(\mathbf{x},t) = \frac{\partial \hat u_\theta}{\partial t} – \mathcal{F}[\hat u_\theta;\lambda]. \]La funzione di perdita può essere
\[ \mathcal{L} = \frac{1}{N_d}\sum_{k=1}^{N_d} |\hat u_\theta(\mathbf{x}_k,t_k)-u_k|^2 + \lambda_R \frac{1}{N_R}\sum_{\ell=1}^{N_R} |R_\theta(\mathbf{x}_\ell,t_\ell)|^2. \]L’AI non sostituisce la teoria: combina un’ipotesi matematica con dati incompleti. Se l’equazione ipotizzata è sbagliata, la rete può compensare in modo ingannevole oppure mostrare un residuo sistematico, segnalando che manca un meccanismo.
11.3 Scoperta di equazioni e regressione sparsa
Un metodo di scoperta dinamica costruisce una libreria di termini possibili:
\[ \Theta(u)= \begin{bmatrix} 1 & u & u^2 & \nabla u & \nabla^2u & u\nabla u & \cdots \end{bmatrix}, \]e cerca coefficienti \(\boldsymbol{\xi}\) tali che
\[ \frac{\partial u}{\partial t} \approx \Theta(u)\boldsymbol{\xi}. \]La regressione sparsa preferisce pochi coefficienti non nulli: l’obiettivo non è soltanto prevedere, ma trovare una legge compatta. Brunton, Proctor e Kutz hanno formalizzato l’approccio SINDy; Champion, Lusch, Kutz e Brunton hanno poi combinato apprendimento di coordinate latenti e dinamiche sparse. Chen, Liu e Sun hanno integrato reti physics-informed e regressione sparsa per dati rumorosi.
La parsimonia è una scelta metodologica: tra molte descrizioni compatibili, si cerca quella con meno termini. Non garantisce da sola la verità, ma produce ipotesi interpretabili e sperimentalmente controllabili.
11.4 Variabili latenti come candidati parametri d’ordine
Un autoencoder comprime uno stato microscopico \(x\) in una rappresentazione \(z\):
\[ z=E_\theta(x), \qquad \hat x=D_\phi(z). \]L’addestramento minimizza
\[ \mathcal{L}_{rec} = \|x-D_\phi(E_\theta(x))\|^2. \]Se una dinamica con milioni di variabili può essere predetta usando due o tre coordinate \(z\), queste possono suggerire parametri d’ordine. Occorre però interpretarli: correlare \(z\) con densità, polarizzazione, energia, espressione genica o geometria e verificarne la risposta a perturbazioni.
11.5 Graph Neural Networks per tessuti e collettivi
In un tessuto le cellule possono essere nodi di un grafo e i contatti archi. Una GNN aggiorna il nodo \(i\) raccogliendo messaggi dai vicini:
\[ \mathbf{m}_i^{(\ell)} = \sum_{j\in\mathcal{N}(i)} \phi_\ell( \mathbf{h}_i^{(\ell)}, \mathbf{h}_j^{(\ell)}, \mathbf{e}_{ij}), \] \[ \mathbf{h}_i^{(\ell+1)} = \psi_\ell( \mathbf{h}_i^{(\ell)}, \mathbf{m}_i^{(\ell)}). \]Questa architettura riflette direttamente il principio locale dei sistemi auto-organizzanti e può essere usata per inferire forze, interazioni cellulari o regole di movimento.
11.6 Active learning e progettazione degli esperimenti
Se due modelli spiegano ugualmente i dati, l’AI può scegliere una perturbazione che li separi. Formalmente cerca un’azione \(a\) che massimizzi l’informazione attesa:
\[ a^*= \arg\max_a I(M;Y\mid a). \]Questo passaggio è cruciale: una spiegazione causale deve prevedere non soltanto ciò che accade spontaneamente, ma anche ciò che accade quando il sistema viene perturbato.
11.7 Controllo di materia attiva e sistemi collettivi
Nel reinforcement learning una politica \(\pi(a\mid s)\) sceglie azioni per massimizzare
\[ J(\pi)= \mathbb{E}_{\pi} \left[ \sum_{t=0}^{\infty}\gamma^t r_t \right]. \]Per guidare una popolazione auto-organizzante non serve controllare ogni elemento. Si possono modificare localmente luce, attività, geometria o segnali, sfruttando la dinamica collettiva. Falk, Alizadehyazdi, Jaeger e Murugan hanno mostrato strategie di reinforcement learning per il controllo spazio-temporale della materia attiva.
12. L’intelligenza artificiale come sistema auto-organizzante
12.1 Una distinzione preliminare
Una rete neurale standard è distribuita, ma durante l’addestramento riceve spesso un errore globale propagato all’indietro. Per parlare con precisione occorre distinguere:
- località dell’esecuzione: ogni unità usa soltanto vicini o ingressi connessi;
- località dell’apprendimento: ogni peso cambia usando informazioni disponibili presso la connessione;
- origine dell’obiettivo: l’obiettivo è imposto globalmente, modulato da una ricompensa o emerge da vincoli omeostatici?
12.2 Mappe auto-organizzanti di Kohonen
In una Self-Organizing Map ogni unità \(i\) possiede un vettore \(\mathbf{w}_i\). Per un dato \(\mathbf{x}\), vince l’unità più vicina:
\[ c=\arg\min_i\|\mathbf{x}-\mathbf{w}_i\|. \]Il vincitore e i vicini aggiornano i pesi:
\[ \mathbf{w}_i(t+1) = \mathbf{w}_i(t)+ \eta(t)h_{ci}(t) [\mathbf{x}-\mathbf{w}_i(t)]. \]Ripetendo il processo, dati simili vengono rappresentati in regioni vicine della mappa. Non è assegnata in anticipo una categoria a ciascun neurone: la topografia emerge da competizione e cooperazione.
12.3 Neuroni spiking
Un neurone leaky integrate-and-fire integra corrente e perde gradualmente potenziale:
\[ \tau_m\frac{dV_i}{dt} = -(V_i-V_{\mathrm{rest}}) + R I_i(t). \]Quando \(V_i\ge V_{\mathrm{th}}\), il neurone emette uno spike e viene resettato. Gli spike sono eventi discreti, ma il potenziale evolve continuamente tra gli eventi.
12.4 STDP: plasticità basata sul tempo locale
La Spike-Timing-Dependent Plasticity modifica il peso \(w_{ij}\) in funzione della differenza temporale tra spike pre- e postsinaptico:
\[ \Delta t=t_{\mathrm{post}}-t_{\mathrm{pre}}, \] \[ \Delta w_{ij}= \begin{cases} A_+e^{-\Delta t/\tau_+}, & \Delta t>0,\\ -A_-e^{\Delta t/\tau_-}, & \Delta t<0. \end{cases} \]Gli esperimenti di Guo-Qiang Bi e Mu-ming Poo mostrarono la dipendenza della plasticità dal timing relativo. In modelli artificiali, Diehl e Cook combinarono STDP, inibizione laterale e soglie adattive per apprendere senza etichette rappresentazioni di cifre.
L’inibizione laterale crea competizione: un neurone fortemente attivato riduce l’attività dei concorrenti. La soglia adattiva impedisce che vinca sempre lo stesso neurone. Da queste regole emerge una divisione del lavoro.
12.5 Regole a tre fattori e assegnazione del credito
La pura correlazione temporale non dice se un’attività è utile. Una regola a tre fattori introduce una traccia locale \(e_{ij}(t)\) e un segnale modulatore \(M(t)\):
\[ \frac{dw_{ij}}{dt} = \eta\,e_{ij}(t)M(t). \]La traccia conserva per breve tempo la memoria della co-attivazione; il modulatore può rappresentare ricompensa, novità o errore. In questo modo un segnale globale molto semplice seleziona connessioni localmente “eleggibili”.
Il problema generale è l’assegnazione del credito: come può una sinapsi sapere se ha contribuito al successo dell’intero sistema? Le soluzioni biologicamente plausibili combinano plasticità locale, neuromodulazione, predizioni locali, omeostasi e apprendimento su più scale temporali.
12.6 Neural Cellular Automata
In un Neural Cellular Automaton ogni cella \(i\) possiede uno stato vettoriale \(\mathbf{x}_i(t)\). Una piccola rete condivisa applica la stessa regola locale:
\[ \mathbf{x}_i(t+1) = \mathbf{x}_i(t)+ f_\theta \left( \{\mathbf{x}_j(t):j\in\mathcal{N}(i)\} \right). \]Mordvintsev, Randazzo, Niklasson e Levin hanno addestrato automi neurali capaci di crescere da una cella, mantenere una forma e rigenerarla dopo un danno. Lo stato globale \(X(t)\) evolve come
\[ X(t+1)=F_\theta(X(t)). \]Una forma \(X^*\) è robusta se
\[ F_\theta^{(k)}(X^*+\delta X)\rightarrow X^* \]per molte perturbazioni \(\delta X\). La forma è allora un attrattore dinamico, non una fotografia passivamente conservata.
Località incompleta: L’esecuzione del Neural Cellular Automaton è locale, ma l’addestramento standard usa spesso una perdita globale e backpropagation attraverso il tempo. È quindi un modello di dinamica locale appresa mediante ottimizzazione globale, non ancora un equivalente completo dello sviluppo biologico.12.7 Sciami robotici e morfogenesi artificiale
Uno sciame robotico può formare strutture usando comunicazione a corto raggio, gradienti e regole di movimento. Slavkov e collaboratori hanno mostrato morfogenesi robotica decentralizzata. Ogni robot è limitato, ma il gruppo può essere robusto alla perdita di elementi.
La robustezza deriva dalla ridondanza e dalla correzione distribuita: non esiste un singolo punto di guasto. Tuttavia, le regole sono spesso progettate o ottimizzate da un agente esterno. L’auto-organizzazione descrive l’esecuzione collettiva, mentre la storia evolutiva o ingegneristica spiega l’origine delle regole.
12.8 Principio di energia libera e active inference
Karl Friston ha proposto il principio di energia libera come quadro unificante per percezione, azione e apprendimento. Un agente mantiene una distribuzione approssimata \(q(z)\) sulle cause nascoste \(z\) delle osservazioni \(o\) e minimizza
\[ F[q] = \mathbb{E}_{q(z)} [\ln q(z)-\ln p(o,z)]. \]Equivalentemente,
\[ F= D_{\mathrm{KL}}(q(z)\|p(z\mid o)) -\ln p(o). \]Nel collegamento con l’auto-organizzazione, un organismo persiste mantenendo le proprie variabili entro intervalli compatibili con la vita. L’active inference interpreta percezione e azione come riduzione di discrepanze rispetto a stati attesi. È un quadro teorico potente ma ampio e discusso: la sua applicazione concreta richiede modelli specifici e test sperimentali.
13. Quando entrano in gioco i fattori esterni?
Auto-organizzazione non significa isolamento. Un sistema può essere auto-organizzante e al tempo stesso dipendere profondamente dall’ambiente. Occorre distinguere almeno cinque ruoli esterni.
13.1 Condizioni iniziali
Le condizioni iniziali scelgono il punto di partenza:
\[ x(0)=x_0. \]In un sistema con più attrattori, piccoli cambiamenti in \(x_0\) possono condurre a esiti diversi. Nell’embrione, asimmetrie materne o segnali precoci possono orientare assi corporei senza specificare ogni dettaglio successivo.
13.2 Condizioni al contorno e geometria
Una PDE richiede regole ai bordi. Una condizione di Neumann
\[ \nabla u\cdot\mathbf{n}=0 \]indica assenza di flusso attraverso il confine; una condizione di Dirichlet
\[ u=u_b \]fissa il valore al bordo. Forma e dimensione del dominio possono selezionare il numero e l’orientamento dei pattern.
13.3 Flussi di energia e materia
Una cellula necessita nutrienti e scarica prodotti. Un sistema dissipativo perde la propria organizzazione se il flusso cessa. L’ambiente non disegna necessariamente la struttura, ma fornisce l’energia che rende possibile la dinamica.
13.4 Forzanti e segnali esterni
Un termine esterno può entrare esplicitamente:
\[ \frac{dx}{dt}=f(x)+I(t), \]dove \(I(t)\) è uno stimolo. Se è periodico, può sincronizzare un oscillatore; se è localizzato, può nucleare un pattern; se supera una soglia, può spostare il sistema in un altro attrattore.
13.5 Selezione evolutiva e progettazione
Le regole locali biologiche non compaiono dal nulla: mutazione, selezione e sviluppo ne modellano l’architettura nel corso delle generazioni. Analogamente, un ingegnere può progettare o addestrare le regole di uno sciame. L’auto-organizzazione spiega come il sistema produce ordine durante il funzionamento; l’evoluzione o il design spiegano perché possiede proprio quelle regole.
Criterio di distinzione: Un fattore esterno è compatibile con l’auto-organizzazione finché non specifica centralmente e in dettaglio ogni componente della forma. Può fornire energia, perturbazioni, gradienti, vincoli o segnali globali; la configurazione concreta deve comunque essere generata dalle interazioni del sistema.14. Che cosa unisce tutti questi sistemi?
I modelli descritti appartengono a discipline diverse, ma condividono una grammatica comune.
| Principio | Forma matematica tipica | Funzione |
|---|---|---|
| Interazione locale | \(\sum_{j\in\mathcal{N}(i)}\phi(x_i,x_j)\) | Ogni componente reagisce a un vicinato, non allo stato completo. |
| Retroazione positiva | \(+ax^2\), autoattivazione | Amplifica differenze e permette la comparsa dell’ordine. |
| Retroazione negativa | \(-bx\), inibizione, omeostasi | Limita l’amplificazione e stabilizza strutture e attività. |
| Trasporto o diffusione | \(D\nabla^2u\) | Collega regioni vicine e ridistribuisce quantità. |
| Non linearità | \(x^2\), \(\sin x\), funzioni di Hill | Produce soglie, bistabilità, oscillazioni e transizioni. |
| Rumore e fluttuazioni | \(+\eta(t)\) | Avviano rotture di simmetria ed esplorazione. |
| Vincoli | condizioni al contorno, conservazione | Delimitano lo spazio delle configurazioni possibili. |
| Parametri d’ordine | \(\Phi\), \(r\), coordinate latenti | Riassumono il comportamento collettivo. |
| Attrattori | \(F^{(k)}(X)\to X^*\) | Spiegano stabilità, memoria e rigenerazione. |
| Flussi e dissipazione | \(dS/dt=d_iS/dt+d_eS/dt\) | Mantengono l’organizzazione lontano dall’equilibrio. |
L’unità profonda consiste nella sostituzione di una spiegazione gerarchica rigida con una spiegazione dinamica. Non si chiede soltanto “chi comanda?”, ma “quali regole di trasformazione fanno sì che lo stato presente generi lo stato successivo?”.
\[ X(t+\Delta t)=F(X(t),E(t);\theta). \]Tre livelli devono essere tenuti distinti:
- microdinamica: cosa fanno le singole parti;
- macrodinamica: quali pattern e parametri d’ordine emergono;
- metadinamica: come evoluzione, apprendimento o progettazione modificano le regole stesse.
L’AI è particolarmente utile perché collega questi livelli: apprende interazioni microscopiche, comprime stati macroscopici e può ottimizzare regole su una scala temporale più lunga.
15. Implicazioni filosofiche: spiegazione immanente e cause trascendenti
15.1 Che cosa escludono realmente i modelli?
Un modello di auto-organizzazione costruisce una spiegazione immanente: il cambiamento dello stato è ricondotto a proprietà, interazioni e condizioni appartenenti al sistema naturale e al suo ambiente osservabile. Una volta specificati stato, regole e condizioni, non occorre introdurre una causa che intervenga dall’esterno dell’ordine causale descritto per collocare ogni parte al proprio posto.
Nel modello di Turing, le macchie non richiedono un agente che disegni una per una le regioni scure: derivano dall’instabilità di uno stato uniforme. Nel modello di Vicsek, la direzione dello stormo non richiede un capo che calcoli il vettore globale. Nei Neural Cellular Automata, la forma non è conservata in una cella sovrana. Questo è un risultato esplicativo forte: mostra mediante quali passaggi locali una struttura complessa possa prodursi.
L’alternativa scientifica a una causa trascendente non è il “puro caso”, ma una rete di cause locali, vincoli, regolarità statistiche e retroazioni capaci di generare ordine.
15.2 Naturalismo metodologico e metafisica
La scienza adotta un naturalismo metodologico: cerca cause osservabili, modelli quantitativi e predizioni falsificabili. Quando un modello auto-organizzante spiega un fenomeno, una causa trascendente non svolge più un ruolo operativo nella spiegazione scientifica del meccanismo.
Ciò non equivale a una dimostrazione matematica dell’inesistenza di ogni realtà trascendente. Un’equazione non può risolvere da sola una tesi metafisica universale. Può però mostrare che un certo fenomeno non richiede, per essere spiegato e previsto, un intervento esterno che ne specifichi la forma. La conclusione rigorosa è quindi epistemologica: l’ipotesi trascendente è superflua nel modello e non aggiunge potere predittivo, salvo che produca conseguenze osservabili differenti.
15.3 Dal finalismo al vincolo dinamico
Le strutture biologiche sembrano orientate a funzioni: una membrana delimita, un occhio vede, una rete omeostatica mantiene una variabile. I modelli di auto-organizzazione permettono di distinguere:
- la teleologia forte, secondo cui un fine futuro causa direttamente il presente;
- la teleonomia, secondo cui sistemi selezionati e regolati si comportano come orientati a un fine perché possiedono meccanismi di feedback e una storia evolutiva.
Nell’omeostasi, per esempio, non è il valore futuro desiderato a spingere causalmente il sistema. È l’errore presente
\[ e(t)=x_{\mathrm{target}}-x(t) \]che modifica l’azione:
\[ u(t)=K_pe(t). \]L’evoluzione naturale spiega poi perché esistono circuiti capaci di mantenere variabili compatibili con sopravvivenza e riproduzione. Il fine apparente viene tradotto in storia selettiva e causalità presente.
15.4 Emergenza senza magia
Dire che una proprietà emerge non significa che compaia senza causa. Significa che la proprietà appartiene al regime collettivo e richiede concetti diversi da quelli usati per una parte isolata. La temperatura non è la proprietà di una singola molecola nello stesso senso in cui lo è di un gas; la sincronizzazione non è contenuta in un oscillatore; la forma di un tessuto non è posseduta da una singola cellula.
Una buona spiegazione emergentista deve collegare i livelli:
\[ \text{regole microscopiche} \Rightarrow \text{dinamica collettiva} \Rightarrow \text{variabili macroscopiche}. \]I modelli matematici e l’AI rendono questo collegamento calcolabile, anziché lasciarlo come metafora.
15.5 Riduzionismo e organizzazione
L’auto-organizzazione corregge un riduzionismo ingenuo senza abbandonare il naturalismo. Conoscere i componenti è necessario ma non sufficiente: occorre conoscere la rete delle relazioni, le scale temporali, la geometria e i vincoli. Il tutto non viola le leggi delle parti; manifesta possibilità che dipendono dalla loro organizzazione.
Si può parlare di riduzionismo esplicativo multilivello: i processi macroscopici devono essere compatibili con la microfisica, ma possono richiedere concetti autonomi — attrattore, fase, rete, informazione, funzione — perché questi colgono regolarità stabili al livello collettivo.
15.6 Il ruolo filosofico dell’AI
L’AI intensifica questa trasformazione perché mostra che regole semplici o localmente applicate possono produrre capacità che sembrano richiedere un centro rappresentativo. Ma introduce anche una cautela: un modello che funziona non è automaticamente una spiegazione trasparente.
La sfida filosofica e scientifica è trasformare l’AI da oracolo predittivo a strumento di intelligibilità:
\[ \text{previsione} + \text{interpretazione} + \text{perturbazione causale} \longrightarrow \text{spiegazione}. \]Una rete che riconosce un pattern fornisce correlazione; una rete che propone un’equazione, prevede una perturbazione e supera la verifica sperimentale contribuisce a una spiegazione meccanicistica.
16. Conclusione
L’auto-organizzazione unifica fenomeni che vanno dall’autoassemblaggio molecolare alla morfogenesi, dalla chemotassi agli stormi, dalle reti geniche alla sincronizzazione neuronale. In ciascun caso l’ordine globale dipende da una dinamica: le variabili cambiano in funzione reciproca, le differenze vengono amplificate o attenuate, i segnali si propagano nello spazio, l’ambiente fornisce energia e vincoli, il rumore rompe simmetrie, gli attrattori stabilizzano configurazioni.
Le equazioni non sono decorazioni. Esse obbligano a dichiarare che cosa cambia, da che cosa dipende, con quale segno, a quale velocità e sotto quali condizioni. Una buona equazione stabilisce relazioni che possono essere simulate, misurate e smentite.
L’intelligenza artificiale amplia questo programma in due direzioni. Come strumento scientifico, ricava parametri, equazioni e coordinate collettive da dati complessi, suggerisce esperimenti e controlla sistemi distribuiti. Come oggetto teorico e tecnologico, mostra che apprendimento, rappresentazione, crescita e coordinamento possono emergere da aggiornamenti locali: mappe di Kohonen, plasticità STDP, reti spiking, automi cellulari neurali, GNN e sciami robotici.
Il risultato filosofico non è che ogni domanda sia risolta. È piuttosto la sostituzione progressiva di cause occulte con meccanismi espliciti. Là dove un pattern può essere derivato da interazioni locali e verificato tramite perturbazioni, una causa trascendente non è necessaria alla spiegazione scientifica. L’ordine non viene opposto alla natura: diventa una delle possibilità della natura quando materia, energia, informazione e vincoli sono organizzati in circuiti di retroazione.
Formula conclusiva: \[ \boxed{ \text{ordine} = \text{dinamica locale} + \text{vincoli} + \text{flussi} + \text{storia} } \]La dinamica locale produce le trasformazioni; i vincoli delimitano le possibilità; i flussi mantengono il sistema; la storia evolutiva o di apprendimento seleziona le regole. L’auto-organizzazione è il risultato della loro interazione.
Riferimenti essenziali
- Turing, A. M. (1952). “The Chemical Basis of Morphogenesis”. Philosophical Transactions of the Royal Society B, 237, 37–72.
- Prigogine, I. (1977). Self-Organization in Nonequilibrium Systems, con G. Nicolis. Wiley.
- Maturana, H. R., & Varela, F. J. (1980). Autopoiesis and Cognition. Reidel.
- Gierer, A., & Meinhardt, H. (1972). “A theory of biological pattern formation”. Kybernetik, 12, 30–39.
- Keller, E. F., & Segel, L. A. (1970–1971). Lavori fondativi sulla chemotassi e aggregazione cellulare.
- Vicsek, T. et al. (1995). “Novel Type of Phase Transition in a System of Self-Driven Particles”. Physical Review Letters, 75, 1226–1229.
- Kuramoto, Y. (1984). Chemical Oscillations, Waves, and Turbulence. Springer.
- Bak, P., Tang, C., & Wiesenfeld, K. (1987). “Self-organized criticality”. Physical Review A, 38, 364–374.
- Kauffman, S. A. (1969). “Metabolic stability and epigenesis in randomly constructed genetic nets”. Journal of Theoretical Biology, 22, 437–467.
- Kohonen, T. (1982). “Self-organized formation of topologically correct feature maps”. Biological Cybernetics, 43, 59–69.
- Bi, G.-Q., & Poo, M.-M. (1998). “Synaptic modifications in cultured hippocampal neurons: dependence on spike timing, synaptic strength, and postsynaptic cell type”. Journal of Neuroscience, 18, 10464–10472.
- Diehl, P. U., & Cook, M. (2015). “Unsupervised learning of digit recognition using spike-timing-dependent plasticity”. Frontiers in Computational Neuroscience, 9:99.
- Brunton, S. L., Proctor, J. L., & Kutz, J. N. (2016). “Discovering governing equations from data by sparse identification of nonlinear dynamical systems”. PNAS, 113, 3932–3937.
- Champion, K., Lusch, B., Kutz, J. N., & Brunton, S. L. (2019). “Data-driven discovery of coordinates and governing equations”. PNAS, 116, 22445–22451.
- Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). “Physics-informed neural networks”. Journal of Computational Physics, 378, 686–707.
- Chen, Z., Liu, Y., & Sun, H. (2021). “Physics-informed learning of governing equations from scarce data”. Nature Communications, 12, 6136.
- Mordvintsev, A., Randazzo, E., Niklasson, E., & Levin, M. (2020). “Growing Neural Cellular Automata”. Distill.
- Friston, K. (2010). “The free-energy principle: a unified brain theory?”. Nature Reviews Neuroscience, 11, 127–138.
- Falk, M. J., Alizadehyazdi, V., Jaeger, H. M., & Murugan, A. (2021). “Learning to control active matter”. Physical Review Research, 3, 033291.
- Slavkov, I. et al. (2018). “Morphogenesis in robot swarms”. Science Robotics, 3, eaau9178.
- Grattarola, D., Livi, L., & Alippi, C. (2021). “Learning Graph Cellular Automata”. NeurIPS.
Le equazioni presentate sono modelli didattici o forme canoniche. Nei lavori sperimentali concreti vengono spesso aggiunti termini per saturazione, rumore, geometria, crescita, ritardi e vincoli specifici.