Immaginate un mondo nel quale eventi rari come onde anomale, terremoti e pandemie possono essere previsti da un sistema di intelligenza artificiale: potremmo esserci vicini, stando ai dati pubblicati su Nature Computational Science lo scorso 19 dicembre da un gruppo di ricercatori del Massachusetts Institute of Technology (Mit) e della Brown University negli Stati Uniti. Grazie alla potente rete neurale DeepOnet e a una tecnica detta di apprendimento attivo, questi scienziati sono stati in grado di aggirare uno dei problemi tipici dei sistemi di intelligenza artificiale: la loro “fame di dati”. La loro capacità di apprendere è infatti collegata alla quantità di dati di cui dispongono, che nel caso di eventi rari sono, per ovvi motivi, pochi.
Qual è il “trucco”
L’apprendimento attivo consiste in una tecnica di campionamento sequenziale che consente alla rete neurale non solo di analizzare i dati immessi, ma soprattutto di imparare, in base alle informazioni che ha già, a caratterizzare i nuovi dati che riceve in base alla loro rilevanza rispetto a quello che gli è stato chiesto di calcolare (nel caso specifico, la probabilità di un certo evento). “La domanda – spiega George Karniadakis, uno degli autori dello studio – a cui abbiamo cercato di rispondere è: quali sono i migliori dati possibili che possiamo utilizzare per ridurre al minimo i dati di cui abbiamo bisogno?”.
Simulando tre eventi estremi come esempio (onde anomale, picchi pandemici e affaticamento strutturale delle navi), il team di ricerca ha in effetti dimostrato che la rete neurale artificiale DeepOnet può essere addestrata tramite l’apprendimento attivo a individuare i parametri o i precursori che “preannunciano” l’evento disastroso che si sta analizzando, anche quando i dati disponibili sono pochi. In altre parole, hanno trasformato la questione della quantità di dati necessari in una questione di qualità e selezione dei dati disponibili. “L’obiettivo non è prendere tutti i dati possibili e inserirli nel sistema, ma cercare in modo proattivo gli eventi che indicano gli eventi rari – aggiunge Karniadakis – Potremmo non avere molti esempi di eventi reali, ma potremmo avere dei precursori. Attraverso la matematica li identifichiamo e insieme agli eventi reali ci aiuteranno ad addestrare questo operatore [DeepOnet, nda] affamato di dati.”
DeepOnet e le prospettive future
Introdotto già nel 2019 da Karniadakis e altri ricercatori della Brown University, DeepOnet è un tipo di rete neurale artificiale che utilizza nodi interconnessi in strati successivi, imitando le connessioni neuronali presenti nel nostro cervello. Sarebbe più avanzato e potente delle tipiche reti neurali artificiali essendo in realtà costituito da due reti neurali che elaborano i dati in parallelo. Questo gli permette di analizzarne moltissimi a una velocità molto elevata e di generare una quantità altrettanto grande di dati probabilistici (previsioni) una volta appreso ciò che sta cercando. La combinazione di questa potente rete neurale con la tecnica dell’apprendimento attivo supererebbe, in termini di prestazioni, i metodi utilizzati tradizionalmente e secondo i ricercatori costituisce un metodo efficace per la previsione di eventi rari anche diversi da quelli simulati a titolo di esempio durante lo studio. Allo stesso tempo, nell’articolo gli autori avvertono che i risultati ottenuti sono del tutto empirici e non costituiscono una garanzia rispetto all’effettiva capacità di prevedere eventi rari. Si tratta comunque di un passo in avanti e Karniadakis, ad esempio, sta già lavorando con scienziati ambientali per utilizzare il nuovo metodo per prevedere eventi climatici come gli uragani.
Leggi tutto su www.wired.it
di Sara Carmignani www.wired.it 2022-12-21 16:26:23 ,
