Enhancing the biological realism of a closed-loop spiking neural network controller for motor control and adaptation

In humans, motor control results from the coordinated interaction of multiple areas of the nervous system operating at different scales. To produce effective movements, the human brain continuously integrates experience-based motor commands, sensory information, and cerebellar predictions. This complexity has led to the development of computational models aimed at studying the neural mechanisms underlying motor control. In this context, Spiking Neural Networks (SNNs) are widely used tools due to their ability to reproduce the activity of biological neural networks. Within this framework, a biologically inspired neural controller based on SNNs has been developed, operating in closed-loop with a virtual robotic arm to perform motor control tasks. The system is based on the organization of the main brain structures involved in movement regulation, including the cerebellum. The aim of this project is to develop a tool characterized by a high degree of biological realism, enabling the study of the neural mechanisms underlying motor control. This thesis presents the contribution to the development of the aforementioned controller. In particular, the work can be divided into three phases, each focusing on improvements to a different aspect of the neural controller. First, the configuration of the entire system was revised in order to reduce its computational cost while ensuring that all neural populations operated in a biologically plausible manner. Subsequently, the work focused on refining the State Estimator, which is the module of the controller responsible for estimating the body position based on sensory information and cerebellar predictions. Finally, attention was directed to the cerebellar forward model, with the aim of enabling it to generate accurate and consistent predictions of the robotic limb state. The obtained results highlight how the proposed interventions improve the computational efficiency and functional reliability of the controller, while preserving its biological plausibility.

Nell’essere umano il controllo motorio è il risultato dell’interazione coordinata di molteplici aree del sistema nervoso che operano a diverse scale. Per produrre movimenti efficaci il cervello umano integra continuamente comandi motori basati sull’esperienza, informazioni sensoriali e predizioni cerebellari. Tale complessità ha portato allo sviluppo di modelli computazionali per lo studio dei meccanismi neurali che stanno alla base del controllo motorio. A tal fine, le Spiking Neural Networks (SNN) sono uno strumento largamente impiegato grazie alla loro possibilità di riprodurre l’attività delle reti neurali biologiche. In questo contesto, è stato sviluppato un controllore neurale biologicamente ispirato, basato su SNN, che opera in closed-loop con un braccio robotico virtuale al fine di compiere compiti di controllo motorio. Il sistema è basato sull’organizzazione delle principali strutture cerebrali coinvolte nella regolazione del movimento, incluso il cervelletto. Lo scopo di tale progetto è la realizzazione di uno strumento caratterizzato da un elevato realismo biologico che permetta di studiare i meccanismi neurali alla base del controllo motorio. In questa tesi viene presentato il contributo dato allo sviluppo del controllore appena descritto. In particolare, il lavoro può essere diviso in tre fasi, in ognuna delle quali sono stati apportati miglioramenti ad un diverso aspetto del controllore neurale. In primo luogo, è stata rivista la configurazione dell’intero sistema al fine di ridurne il costo computazionale e, allo stesso tempo, garantire che tutte le popolazioni neurali agissero in modo biologicamente plausibile. Dopodiché il lavoro si è concentrato sul perfezionamento dello State Estimator, che è il modulo del controller che ha il ruolo di stimare la posizione del corpo a partire da informazioni sensoriali e predizioni cerebellari. Infine, l’attenzione si è spostata sul forward model del cervelletto, allo scopo di renderlo in grado di generare predizioni accurate e consistenti dello stato dell’arto robotico. I risultati ottenuti evidenziano come gli interventi proposti migliorino l’efficienza computazionale e l’affidabilità funzionale del controllore, preservandone al contempo la plausibilità biologica.