Neuro-inspired motor control: thalamic integration in a complete motor system architecture

Movement arises from the interaction of different neural structures, each with a specific role in learning and regulating movement. Among these structures, the thalamus acts as a central hub by integrating information from the basal ganglia, cortex, and cerebellum. This integration contributes to action selection and the optimization of movement. Replicating these biological dynamics in a computational framework poses a significant challenge for developing bio-inspired neural networks that can learn efficiently and adaptively. In this thesis, we developed an integrated neural model that mirrors the fundamental mechanisms of biological motor control, including dopamine modulation of the learning rate, proprioceptive error correction, and thalamic information filtering. The model has a modular architecture, allowing for a detailed analysis of the contribution of each component and validation of neuroscience hypotheses by testing different configurations. The proposed system provides a computational framework for studying motor control highlighting the potential of bio-inspired architectures to enhance the efficiency and adaptability of artificial neural networks, offering valuable insights for applications in artificial intelligence.

Il movimento è il risultato dell’interazione tra diverse strutture neurali, ognuna con il proprio ruolo nell’apprendimento e nella regolazione del movimento. Il talamo è un nodo centrale per l’integrazione delle informazioni provenienti da gangli della base, corteccia e cervelletto, contribuendo alla selezione e all’ottimizzazione dell’azione motoria. L’implementazione computazionale di queste dinamiche biologiche rappresenta una sfida fondamentale per lo sviluppo di reti neurali bio-ispirate capaci di apprendimento efficiente e adattabile. In questa tesi viene sviluppato un modello neurale integrato che riproduce i meccanismi chiave del controllo motorio biologico, incorporando la modulazione adattiva del learning rate basata sulla ricompensa, la correzione propriocettiva dell’errore e il filtraggio delle informazioni. L’architettura del modello è progettata per essere modulare, consentendo l’analisi del contributo di ciascuna componente e la possibilità di validare ipotesi neuroscientifiche attraverso l'analisi di diverse configurazioni. Il modello proposto fornisce un framework per lo studio computazionale del controllo motorio, evidenziando il potenziale delle architetture bio-ispirate nel migliorare le reti neurali artificiali in termini di efficienza e adattabilità.