Gli informatici della TU Wien (Vienna) stanno migliorando l'intelligenza artificiale traendo ispirazione dalla biologia. I nuovi approcci ottengono risultati sorprendenti con uno sforzo sorprendentemente piccolo.

Un cervello cresciuto naturalmente funziona in modo molto diverso da un normale programma per computer. Non utilizza codice costituito da chiare istruzioni logiche, è una rete di cellule che comunicano tra loro. La simulazione di tali reti su un computer può aiutare a risolvere problemi difficili da scomporre in operazioni logiche.

A TU Wien (Vienna), in collaborazione con ricercatori del Massachusetts Institute of Technology (MIT), è stato ora sviluppato un nuovo approccio per la programmazione di tali reti neurali, che modella l'evoluzione temporale dei segnali nervosi in un modo completamente diverso. È stato ispirato da una creatura particolarmente semplice e ben studiata, il nematode C. elegans. I circuiti neurali del suo sistema nervoso sono stati simulati al computer, e poi il modello è stato adattato con algoritmi di machine learning. Per di qua, è stato possibile risolvere compiti notevoli con un numero estremamente basso di cellule nervose simulate, ad esempio parcheggiare un'auto. Anche se la rete ispirata ai worm consiste solo di 12 neuroni, può essere addestrato a guidare un robot rover in un determinato punto. Ramin Hasani dell'Institute of Computer Engineering presso TU Wien ha presentato il suo lavoro alla conferenza TEDx a Vienna il 20 ottobre.

Si può dimostrare che queste nuove reti neurali sono estremamente versatili. Un altro vantaggio è che le loro dinamiche interne possono essere comprese - a differenza delle reti neurali artificiali standard, che sono spesso considerati una "scatola nera" utile ma imperscrutabile.

Segnali in reti ramificate

"Le reti neurali devono essere addestrate", afferma Ramin Hasani. "Fornisci un input specifico e regoli le connessioni tra i neuroni in modo da fornire l'output desiderato".

L'ingresso, Per esempio, può essere una fotografia, e l'output può essere il nome della persona nella foto. "Il tempo di solito non gioca un ruolo importante in questo processo, " afferma Radu Grosu dell'Institute of Computer Engineering di TU Wien. Per la maggior parte delle reti neurali, tutto l'input viene consegnato in una volta, immediatamente risultante in un certo output. Ma in natura le cose sono molto diverse.

Riconoscimento vocale, Per esempio, è sempre dipendente dal tempo, così come le traduzioni simultanee o le sequenze di movimenti che reagiscono a un ambiente che cambia. "Tali compiti possono essere gestiti meglio usando ciò che chiamiamo RNN, o reti neurali ricorrenti", dice Ramin Hasani. "Questa è un'architettura in grado di catturare sequenze, perché fa ricordare ai neuroni quello che è successo in precedenza".

Hasani e i suoi colleghi propongono una nuova architettura RNN basata su un neurone biofisico e un modello di sinapsi che consente dinamiche variabili nel tempo. "In un modello RNN standard, c'è un legame costante tra il neurone uno e il neurone due, definire quanto fortemente l'attività del neurone uno influenzi l'attività del neurone due", dice Ramin Hasani. "Nella nostra nuova architettura RNN, questo collegamento è una funzione non lineare del tempo."

Il cervello del verme che può parcheggiare un'auto

Consentire alle attività cellulari e ai collegamenti tra le cellule di variare nel tempo apre possibilità completamente nuove. Ramin Hasani, Mathias Lechner e i suoi collaboratori hanno dimostrato teoricamente che la loro architettura può, in linea di principio, dinamica arbitraria approssimata. Per dimostrare la versatilità del nuovo approccio, hanno sviluppato e addestrato una piccola rete neurale:"Abbiamo riproposto un circuito neurale dal sistema nervoso del nematode C. elegans. È responsabile della generazione di un semplice comportamento riflessivo - il ritiro dal contatto, "dice Mathias Lechner, che ora lavora presso l'Istituto di scienza e tecnologia (IST) Austria. "Questa rete neurale è stata simulata e addestrata per controllare le applicazioni della vita reale".

Il successo è notevole:il piccolo, una semplice rete con solo 12 neuroni può (dopo un addestramento appropriato) risolvere compiti impegnativi. Ad esempio, è stato addestrato a manovrare un veicolo in un parcheggio lungo un percorso predefinito. "L'output della rete neurale, che in natura controllererebbero il movimento dei vermi nematodi, viene utilizzato nel nostro caso per sterzare e accelerare un veicolo", dice Hasani. "Abbiamo dimostrato teoricamente e sperimentalmente che le nostre nuove reti neurali possono risolvere compiti complessi nella vita reale e in ambienti fisici simulati".

Il nuovo approccio ha un altro importante vantaggio:fornisce una migliore comprensione del funzionamento interno della rete neurale. Reti neurali precedenti, che spesso consisteva di molte migliaia di nodi, sono stati così complessi che solo i risultati finali potrebbero essere analizzati. Ottenere una comprensione più profonda di ciò che accade all'interno è stato difficilmente possibile. La rete più piccola ma estremamente potente del team di Vienna è più facile da analizzare, e così gli scienziati possono capire almeno in parte, quali cellule nervose causano quali effetti. "Questo è un grande vantaggio che ci incoraggia a ricercare ulteriormente le loro proprietà", dice Hasani.

Certo, questo non significa che in futuro le auto saranno parcheggiate da vermi artificiali, ma mostra che l'intelligenza artificiale con un'architettura più simile al cervello può essere molto più potente di quanto si pensasse in precedenza.