Comprendere come reagirà un robot in condizioni diverse è essenziale per garantire il suo funzionamento sicuro. Ma come fai a sapere cosa romperà un robot senza effettivamente danneggiarlo? Un nuovo metodo sviluppato dagli scienziati dell'Institute of Science and Technology Austria (IST Austria) e del Max Planck Institute for Intelligent Systems (MPI for Intelligent Systems) è il primo metodo di apprendimento automatico in grado di utilizzare osservazioni effettuate in condizioni di sicurezza per fare previsioni accurate per tutte le possibili condizioni governate dalla stessa dinamica fisica. Progettato appositamente per situazioni di vita reale, il loro metodo fornisce semplici, descrizioni interpretabili della fisica sottostante. I ricercatori presenteranno i loro risultati domani alla prestigiosa International Conference for Machine Learning (ICML) di quest'anno.

Nel passato, l'apprendimento automatico era solo in grado di interpolare i dati, facendo previsioni su situazioni che sono "tra" l'altro, situazioni note. Era incapace di estrapolare - fare previsioni su situazioni al di fuori del noto - perché impara ad adattare i dati conosciuti il ​​più vicino possibile a livello locale, indipendentemente da come si comporta al di fuori di queste situazioni. Inoltre, raccogliere dati sufficienti per un'efficace interpolazione richiede tempo e risorse, e richiede dati da situazioni estreme o pericolose. Ma ora, Giorgio Marzio, ex postdoc ISTFELLOW e IST Austria, e dal 2017 capogruppo presso MPI for Intelligent Systems di Tubinga, Subham S. Sahoo, un dottorato di ricerca studente anche presso MPI per Sistemi Intelligenti, e Christoph Lampert, professore all'IST Austria, sviluppato un nuovo metodo di apprendimento automatico che affronta questi problemi, ed è il primo metodo di apprendimento automatico per estrapolare con precisione a situazioni invisibili.

La caratteristica fondamentale del nuovo metodo è che si sforza di rivelare la vera dinamica della situazione:prende i dati e restituisce le equazioni che descrivono la fisica sottostante. "Se conosci quelle equazioni, "dice Giorgio Marzio, "poi puoi dire cosa accadrà in tutte le situazioni, anche se non li hai visti." In altre parole, questo è ciò che consente al metodo di estrapolare in modo affidabile, rendendolo unico tra i metodi di apprendimento automatico.

Il metodo del team si distingue anche in molti altri modi. Primo, le approssimazioni finali prodotte in precedenza durante l'apprendimento automatico erano troppo complesse per essere capite o lavorate da un essere umano. Nel nuovo metodo, le equazioni risultanti sono molto più semplici:"Le equazioni del nostro metodo sono qualcosa che vedresti in un libro di testo:semplice e intuitivo, " afferma Christoph Lampert. Quest'ultima è un'altra differenza fondamentale:altri metodi di apprendimento automatico non forniscono informazioni sulla relazione tra condizioni e risultati, e quindi, nessuna intuizione sul fatto che il modello sia plausibile. "In ogni altro campo di ricerca, ci aspettiamo modelli che abbiano un senso fisico, che ci dicono perché, " aggiunge Lampert. "Questo è ciò che dovremmo aspettarci dal machine learning, e ciò che il nostro metodo fornisce." Infine, al fine di garantire l'interpretabilità e l'ottimizzazione per le situazioni fisiche, il team ha basato il proprio metodo di apprendimento su un diverso tipo di framework. Questo nuovo design è più semplice dei metodi precedenti, il che in pratica significa che sono necessari meno dati per dare risultati uguali o addirittura migliori.

E non è tutta teoria:"Nel mio gruppo, stiamo effettivamente lavorando allo sviluppo di un robot che utilizzi questo tipo di apprendimento. Nel futuro, il robot sperimenterebbe movimenti diversi, quindi essere in grado di utilizzare l'apprendimento automatico per scoprire le equazioni che governano il suo corpo e il suo movimento, permettendogli di evitare azioni o situazioni pericolose, " aggiunge Martius. Mentre i robot sono un'area attiva di ricerca, il metodo può essere utilizzato con qualsiasi tipo di dato, dai sistemi biologici alle energie di transizione dei raggi X, e può anche essere incorporato in reti di apprendimento automatico più grandi.