Le auto che possono guidare autonomamente hanno recentemente fatto notizia. Nel futuro prossimo, macchine in grado di apprendere autonomamente diventeranno sempre più presenti nelle nostre vite. Il segreto per un apprendimento efficiente per queste macchine è definire un processo iterativo per mappare l'evoluzione di come gli aspetti chiave di questi sistemi cambiano nel tempo.

In uno studio pubblicato su EPJ SI , Agustín Bilen e Pablo Kaluza dell'Universidad Nacional de Cuyo, Mendoza, L'Argentina mostra che questi sistemi intelligenti possono evolversi autonomamente per svolgere un compito specifico e ben definito nel tempo. Le applicazioni spaziano dalla nanotecnologia ai sistemi biologici, come le reti di trasduzione del segnale biologico, reti regolatorie genetiche con risposte adattative, o reti genetiche in cui il livello di espressione di alcuni geni in una rete oscilla da uno stato all'altro.

Questi sistemi autonomi non necessitano di un tutor esterno. Né riferiscono a un'unità centrale progettata per modificare ciò che il sistema deve apprendere a seconda delle loro prestazioni. Per aumentare la loro autonomia, gli autori hanno costruito una dinamica ritardata e un ciclo di feedback con le prestazioni del sistema. Le dinamiche ritardate forniscono informazioni sulla storia del sistema, presentando così le relazioni passate tra la sua struttura e le prestazioni. A sua volta, il ciclo di feedback offre informazioni sulle prestazioni effettive del sistema in termini di quanto è vicino all'attività desiderata.

I ricercatori hanno prima applicato con successo il loro approccio a una rete neurale responsabile della classificazione di diversi modelli, che ha prodotto il 66% di robustezza. Queste intuizioni possono essere applicate ad es. nell'elettronica analogica, dove un pezzo di hardware può apprendere un compito in modo autonomo senza un'unità di elaborazione centrale o un controllo esterno. Il team ha anche testato la loro soluzione su un sistema di oscillatori di fase, che sono interessanti perché le popolazioni di tali oscillatori mostrano alcuni tratti di sincronizzazione notevoli. In tali casi, l'apprendimento autonomo aiuta ad evitare le fluttuazioni di errore intrinseche che normalmente si trovano in tali sistemi.