L'identificazione automatica di caratteristiche complesse nelle immagini è già diventata una realtà grazie alle reti neurali artificiali. Alcuni esempi di software che sfruttano questa tecnica sono il sistema di tagging automatico di Facebook, Il motore di ricerca di immagini di Google e il sistema di riconoscimento di animali e piante utilizzato da iNaturalist. Sappiamo che queste reti sono ispirate dal cervello umano, ma il loro meccanismo di funzionamento è ancora misterioso.

Nuova ricerca, condotto dalla SISSA in associazione con l'Università Tecnica di Monaco e pubblicato per la 33a Conferenza Annuale NeurIPS, propone un nuovo approccio per lo studio delle reti neurali profonde e getta nuova luce sui processi di elaborazione delle immagini che queste reti sono in grado di svolgere.

Simile a quanto accade nel sistema visivo, le reti neurali utilizzate per il riconoscimento automatico delle immagini analizzano progressivamente il contenuto, attraverso una catena di fasi di lavorazione. Però, ad oggi, non è del tutto chiaro quali meccanismi consentano alle reti profonde di raggiungere i loro straordinari livelli di accuratezza.

"Abbiamo sviluppato un metodo innovativo per misurare sistematicamente il livello di complessità delle informazioni codificate nei vari strati di una rete profonda, la cosiddetta dimensione intrinseca delle rappresentazioni dell'immagine, "dicono Davide Zoccolan e Alessandro Laio, rispettivamente neuroscienziato e fisico alla SISSA. “Grazie ad un lavoro multidisciplinare che ha visto la collaborazione di esperti in fisica, neuroscienze e apprendimento automatico, siamo riusciti a sfruttare uno strumento originariamente sviluppato in un'altra area per studiare il funzionamento delle reti neurali profonde".

Scienziati della SISSA, in associazione con Jakob Macke dell'Università tecnica di Monaco di Baviera, hanno esaminato come vengono elaborate le informazioni acquisite dalle reti neurali utilizzate per la classificazione delle immagini:"Abbiamo riscontrato che le rappresentazioni delle immagini subiscono una trasformazione progressiva. Nelle prime fasi di elaborazione, le informazioni sull'immagine sono rappresentate fedelmente ed esaurientemente, dando luogo a rappresentazioni ricche e complesse. Nelle fasi finali di lavorazione, l'informazione è radicalmente semplificata, produrre rappresentazioni di immagini supportate da poche decine di parametri, " spiegano i due scienziati. "Sorprendentemente abbiamo scoperto che l'accuratezza della classificazione di una rete neurale dipende strettamente dalla sua capacità di semplificare:più semplifica le informazioni, più è preciso".

Si tratta di un risultato particolarmente importante per la SISSA che ha recentemente lanciato un nuovo programma di ricerca in data science, con l'obiettivo di studiare e sviluppare algoritmi innovativi per l'elaborazione di insiemi di dati complessi e di grandi dimensioni.