Il processamento di informazioni visive può sembrare scontato ma i meccanismi e i circuiti neurali sottostanti a tale abilità sono estremamente complessi. Sebbene incredibilmente elevato, il numero di neuroni in un cervello è pur sempre finito, ciononostante siamo in grado di processare qualsiasi tipo fra le infinite possibili immagini reali. Quali particolari caratteristiche dovrebbero codificare i neuroni visivi per poter processare queste informazioni con un numero limitato di unità disponibili? In questo lavoro proviamo a rispondere a questa domanda esplorando gli stimoli ottimali per i neuroni nella corteccia visiva primaria dei ratti. Il nostro scopo è quello di trovare quegli stimoli in grado di evocare un'elevata attività, ovvero un elevato “firing rate”, per qualunque neurone che siamo in grado di registrare nella corteccia visiva. Per condurre questa esplorazione senza alcun vincolo legato allo spazio degli input (lo spazio delle immagini) abbiamo combinato una rete generativa profonda, in grado di creare stimoli visivi con caratteristiche e statistiche delle immagini naturali, con un algoritmo genetico per l'ottimizzazione degli stimoli. In tale contesto è il neurone stesso a guidare l'algoritmo verso lo stimolo ottimale. Questo metodo permette l'ottimizzazione in tempo reale degli stimoli visivi, dove nuove immagini vengono generate in base alla risposta neuronale a immagini precedenti. Nei nostri esperimenti abbiamo ottenuto immagini sintetiche che hanno evocato una risposta molto più elevata rispetto a centinaia di immagini naturali. Dopo l'ottimizzazione, abbiamo provato ad usare l'immagine evoluta per predire la risposta neuronale a nuove immagini naturali. Abbiamo mostrato come ci sia una correlazione fra l'attività neuronale evocata e la similarità tra l'immagine naturale e quella evoluta. Inoltre, abbiamo svolto questi esperimenti di evoluzione degli stimoli per unità di strati appartenenti a reti neurali convoluzionali e cercato analogie per verificare se neuroni artificiali possano essere un buon modello per neuroni biologici. ​
Visual information processing may seem trivial but the mechanisms and neural circuits underlying this ability are extremely complex. Although incredibly elevated, the number of neurons in a brain is still finite, but nevertheless we are capable of processing any type of the infinite real-world images. What specific features should visual neurons encode in order to process this information with a limited amount of units available? In this work we try to answer this question by exploring the optimal stimuli for neurons in rat primary visual cortex. Our goal is to find those stimuli that elicits high activity, that is a high firing rate, for any given neurons we may record from visual cortex. To do so without any constrain in the exploration of the input space (image space) we combine a deep generative network, capable of creating visual stimuli with natural images features and statistics, with a genetic algorithm for stimulus optimization. In this scenario, the neuron itself guides the algorithm towards the optimal stimulus. This method allows for real time optimization of the visual stimuli, where new images are generated based on the neuron's response to previous images. In our experiments we obtained synthetic images that evoked a much greater response compared to hundreds of natural images. After optimization, we tried to use the evolved image to predict the neuron's response to novel natural images. We show how there is a correlation between the similarity of the natural image to the evolved image and the firing rate elicited. Furthermore we conduct this evolution experiment on units of layers in convolutional neural networks and look for analogies in order to see if artificial neurons could be a good model for biological neurons. ​