I fisici teorici dell'ETH di Zurigo hanno deliberatamente ingannato le macchine intelligenti, e quindi perfezionato il processo di apprendimento automatico. Hanno creato un nuovo metodo che consente ai computer di classificare i dati, anche quando gli umani non hanno idea di come potrebbe essere questa categorizzazione.

Quando i computer identificano in modo indipendente i corpi idrici e i loro contorni nelle immagini satellitari, o batti i migliori giocatori professionisti del mondo al gioco da tavolo Go, quindi gli algoritmi adattivi funzionano in background. I programmatori forniscono questi algoritmi con esempi noti in una fase di addestramento:immagini di corpi idrici e terrestri, o sequenze di mosse Go che hanno portato al successo o al fallimento nei tornei. Analogamente a come le nostre cellule nervose cerebrali producono nuove reti durante i processi di apprendimento, gli algoritmi speciali si adattano in fase di apprendimento sulla base degli esempi loro presentati. Questo continua fino a quando non sono in grado di differenziare i corpi idrici dalla terra in foto sconosciute, o sequenze di mosse riuscite da quelle non riuscite.

Fino ad ora, queste reti neurali artificiali sono state utilizzate nel machine learning con un noto criterio decisionale:sappiamo cos'è uno specchio d'acqua e quali sequenze di mosse hanno avuto successo nei tornei di Go.

Separare il grano dalla pula

Ora, un gruppo di scienziati che lavorano sotto Sebastian Huber, Professore di teoria della materia condensata e ottica quantistica all'ETH di Zurigo, hanno ampliato le applicazioni per queste reti neurali sviluppando un metodo che non solo consente la categorizzazione di qualsiasi dato, ma riconosce anche se i set di dati complessi contengono categorie.

Domande di questo tipo sorgono nella scienza:per esempio, il metodo potrebbe essere utile per l'analisi di misurazioni da acceleratori di particelle o osservazioni astronomiche. I fisici potrebbero così filtrare le misurazioni più promettenti dalle loro quantità spesso ingestibili di dati di misurazione. I farmacologi potrebbero estrarre molecole con una certa probabilità di avere uno specifico effetto farmaceutico o un effetto collaterale da grandi database molecolari. E gli scienziati dei dati potrebbero ordinare enormi masse di increspature di dati disordinate e ottenere informazioni utilizzabili (data mining).

Cerca un confine

I ricercatori dell'ETH hanno applicato il loro metodo a un fenomeno della fisica teorica molto studiato:un sistema a molti corpi di dipoli magnetici interagenti che non raggiunge mai uno stato di equilibrio, anche a lungo termine. Tali sistemi sono stati descritti di recente, ma non è ancora noto in dettaglio quali proprietà fisiche quantistiche impediscano a un sistema a molti corpi di entrare in uno stato di equilibrio. In particolare, non è chiaro dove si trovi esattamente il confine tra i sistemi che raggiungono l'equilibrio e quelli che non lo fanno.

Per individuare questo confine, gli scienziati hanno sviluppato il principio "agire come se":prendere dati da sistemi quantistici, hanno stabilito un confine arbitrario basato su un parametro e lo hanno usato per dividere i dati in due gruppi. Hanno quindi addestrato una rete neurale artificiale facendo finta che un gruppo raggiungesse uno stato di equilibrio mentre l'altro no. Così, i ricercatori si sono comportati come se sapessero dove fosse il confine.

Gli scienziati hanno confuso il sistema

Hanno addestrato la rete innumerevoli volte nel complesso, con un confine diverso ogni volta, e testato la capacità della rete di ordinare i dati dopo ogni sessione. Il risultato è stato che, in molti casi, la rete ha faticato a classificare i dati come avevano fatto gli scienziati. Ma in alcuni casi, la divisione nei due gruppi è stata molto accurata.

I ricercatori sono stati in grado di dimostrare che questa prestazione di smistamento dipende dalla posizione del confine. Evert van Nieuwenburg, uno studente di dottorato nel gruppo di Huber, spiega questo come segue:"Scegliendo di allenarsi con un confine lontano dal confine reale (che non conosco), Sono in grado di ingannare la rete. In definitiva, stiamo addestrando la rete in modo errato e le reti addestrate in modo errato sono molto incapaci di classificare i dati." Tuttavia, se per caso si sceglie un confine vicino al confine reale, viene prodotto un algoritmo altamente efficiente. Determinando le prestazioni dell'algoritmo, i ricercatori sono stati in grado di rintracciare il confine tra i sistemi quantistici che raggiungono l'equilibrio e quelli che non lo fanno:il confine si trova dove le prestazioni di smistamento della rete sono più elevate.

I ricercatori hanno anche dimostrato le capacità del loro nuovo metodo utilizzando altre due domande della fisica teorica:le transizioni di fase topologiche nei solidi unidimensionali e il modello di Ising, che descrive il magnetismo all'interno dei solidi.

Categorizzazione senza conoscenza preliminare

Il nuovo metodo può anche essere illustrato in forma semplificata con un esperimento mentale, dove vogliamo classificare il rosso, rossastro, palline bluastre e blu in due gruppi. Partiamo dal presupposto di non avere idea di come potrebbe ragionevolmente apparire una tale classificazione.

Se una rete neurale viene addestrata dicendole che la linea di demarcazione si trova da qualche parte nella regione rossa, allora questo confonderà la rete. "Cerchi di insegnare alla rete che le palline blu e rossastre sono uguali e chiedile di distinguere tra palline rosse e rosse, che semplicemente non è in grado di fare, "dice Huber.

D'altra parte, se posizioni il confine nello spettro dei colori viola, la rete apprende una differenza effettiva e ordina le palline in gruppi rossi e blu. Però, non è necessario sapere in anticipo che la linea di demarcazione dovrebbe essere nella regione viola. Confrontando le prestazioni di smistamento in una varietà di limiti scelti, questo confine può essere trovato senza alcuna conoscenza preliminare.