ROMA – Un gruppo si ricercatori del Massachusetts Institute of Technology (Ramin Hasani, Mathias Lechner, Alexander Amini, Daniela Rus e Radu Grosu), ha messo a punto un tipo di rete neurale in grado di “apprendere” mentre agisce e non solo durante la sua fase di “addestramento”. Gli algoritmi flessibili, chiamati reti “liquide”, cambiano le loro equazioni sottostanti per adattarsi continuamente ai nuovi input di dati, aprendo orizzonti rivoluzionari per i processi decisionali basati su flussi di dati che cambiano nel tempo come quelli che, ad esempio, consentono la guida automatizzata. “Il potenziale è davvero significativo – ha spiegato Ramin Hasani, l’autore principale della ricerca che sarà presentata alla 35esima conferenza Aaai di febbraio sull’intelligenza artificiale – Il mondo reale è incentrato su sequenze di dati. Come anche la nostra percezione, non si percepiscono immagini, si percepiscono sequenze di immagini. Quindi, i dati delle serie temporali creano effettivamente la nostra realtà”. Le peripezie di questi flussi di dati in continua evoluzione possono essere imprevedibili, ma proprio la loro analisi in tempo reale, e le derivazioni di tale analisi, risultano fondamentali per migliorare tecnologie avanzate come quelle applicate nel campo deli veicoli a guida autonoma. Con i suoi studi il team del Mit di Hasani ha progettato una rete neurale in grado di adattarsi alla variabilità dei sistemi del mondo reale.
Le reti neurali sono algoritmi che riconoscono i modelli analizzando normalmente solo una serie di esempi di “addestramento”. In tal senso è risultata singolare l’ispirazione fornita ad Hasani da un verme microscopico, il nematode Caenorhabditis elegans: “Ha solo 302 neuroni nel suo sistema nervoso – ha sottolineato il ricercatore – eppure può generare dinamiche inaspettatamente complesse”. Hasani ha codificato la sua rete neurale prestando particolare attenzione a come i neuroni di C. elegans si attivano e comunicano tra loro tramite impulsi elettrici. Nelle equazioni che ha utilizzato per articolare la sua rete neurale, ha permesso ai parametri di cambiare nel tempo in base ai risultati di un insieme di equazioni differenziali, ottenendo con questo sistema un’estrema flessibilità. Il funzionamento della maggior parte delle reti neurali viene definito con la fase di addestramento, il che significa che non si adatteranno ai cambiamenti nel flusso di dati in entrata. Lo scienziato afferma invece che la fluidità della sua rete “liquida” la rende capace di affrontare i dati imprevisti. Da segnalare poi che la rete di Hasani si è distinta in una serie di test, superando altri algoritmi di serie temporali all’avanguardia di alcuni punti percentuali nell’accuratezza della previsione dei valori futuri dei set di dati analizzati, relativi a settori che spaziano dalla chimica atmosferica ai modelli di traffico. Da non sottovalutare infine, che le dimensioni ridotte della rete hanno permesso di eseguire la fase dei test mantenendo contenuti i costi di sviluppo. (m.r.)
Fonte www.repubblica.it
