(Come riportato in una nota de Le Strade dell’Informazione)
Il modello, sviluppato dal Mit di Boston, è essenziale per migliorare nuove tecnologie, come ad esempio le auto a guida autonoma
Una rete neurale capace di apprendere mentre opera e durante la sua fase di “addestramento”. Si tratta di algoritmi flessibili, denominati reti “liquide”, che cambiano le loro equazioni sottostanti per adattarsi, in modo continuo, a quelle ricevute dal mondo reale. A svilupparne il modello, come riportato dagli organi di stampa, il Massachusetts Institute of Technology (Mit).
La ricerca sarà presentata alla conferenza Aaai di febbraio sull’intelligenza artificiale. Uno studio rivoluzionario, in grado di aprire orizzonti per i processi decisionali basati su flussi di dati che cambiano nel tempo. Inoltre, questo continuo flusso di informazioni, sempre in evoluzione, sono essenziali per migliorare nuove tecnologie, come ad esempio le auto a guida autonoma.
“Il potenziale è davvero significativo” ha dichiarato Ramin Hasani, l’autore principale dello studio. “Il mondo reale – prosegue – 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”. Per lo sviluppo del suo studio Hasani si è ispirato ad un verme microscopico, il nematode caenorhabditis elegans: “Ha solo 302 neuroni nel suo sistema nervoso” – racconta il ricercatore – “eppure può generare dinamiche inaspettatamente complesse”.
Lo studioso ha codificato la sua rete neurale prestando particolare attenzione a come i neuroni del verme si attivano e comunicano tra loro tramite impulsi elettrici. Nelle equazioni usate per strutturare la rete neurale, Hasani ha permesso ai parametri di cambiare nel tempo in base ai risultati di un insieme di equazioni differenziali ottenendone la flessibilità. Il funzionamento della maggior parte delle reti neurali viene definito nella fase di addestramento, non adattandosi ai cambiamenti nel flusso di dati in entrata.
Hasani spiega invece che la fluidità della rete “liquida” le permette di affrontare i dati imprevisti. La rete di Hasani si è distinta in una serie di test superando algoritmi di serie temporali all’avanguardia di alcuni punti percentuali nell’accuratezza della previsione dei valori futuri dei set di dati analizzati, riguardanti settori che vanno dalla chimica atmosferica ai modelli di traffico. Essendo questo tipo di rete molto ridotta permette, inoltre, di completare i test senza elevati costi di elaborazione.