Il professor Thomas Müller e il professor Hans Briegel hanno condotto ricerche su un modello di apprendimento automatico per diversi anni che differisce significativamente dai modelli di apprendimento alternativi di intelligenza artificiale (AI). Il filosofo di Costanza e il fisico teorico dell'Università di Innsbruck hanno integrato metodi di teoria dell'azione filosofica e ottica quantistica. Il loro modello di apprendimento "Simulazione Proiettiva" è già stato applicato con successo nella ricerca di base.

Insieme al fisico di Innsbruck Dr. Katja Ried, i ricercatori hanno ora adattato questo modello di intelligenza artificiale per un'applicazione realistica ai sistemi biologici. Il numero attuale della rivista scientifica PLoS One discute come il modello di apprendimento può essere utilizzato per modellare e riprodurre il comportamento di sciamatura specifico delle locuste.

Domanda di modelli "più vicini alla biologia"

Per svolgere la loro ricerca collaborativa interdisciplinare, gli scienziati hanno utilizzato i dati sul comportamento delle locuste del Center for the Advanced Study of Collective Behavior di Costanza, che svolge ricerche sui comportamenti collettivi. I biologi in particolare chiedono che i modelli che spiegano il comportamento collettivo siano progettati per essere "più vicini alla biologia".

La maggior parte dei modelli attuali sono stati ideati da fisici che presumono che gli individui interagenti siano influenzati da una forza fisica. Di conseguenza, non percepiscono necessariamente gli individui all'interno degli sciami come agenti, ma invece, come punti come unità di magnetizzazione interagenti su una griglia. "I modelli funzionano bene in fisica e hanno una buona base empirica. Tuttavia, non modellano l'interazione tra individui viventi, "dice Thomas Müller.

Le regole dell'IA consentono agli agenti di apprendere

La simulazione proiettiva è un modello di apprendimento originariamente sviluppato da Hans Briegel e si basa su agenti che non reagiscono agli eventi in modo preprogrammato. Anziché, sono in grado di apprendere. Questi "agenti di apprendimento" sono codificati come individui con diverse disposizioni comportamentali che interagiscono con il loro ambiente percependo e reagendo agli input sensoriali. Per questo scopo, seguono le regole dell'intelligenza artificiale che consentono loro di utilizzare le loro precedenti esperienze individuali per adattare le proprie azioni.

Da una parte, questo processo di apprendimento coinvolge processi casuali basati sulla fisica quantistica durante i quali vengono considerati tutti i potenziali corsi d'azione. D'altra parte, entra in gioco il principio teorico d'azione dell'apprendimento per rinforzo, che si basa sulla ricompensa di determinati risultati. "Diamo una ricompensa se l'agente si muove con gli altri in modo ordinato. Col tempo, un agente si rende conto:quando percepisce certe cose, è meglio reagire in un modo che porti a una ricompensa. Non prepariamo la giusta linea d'azione in una situazione particolare, ma ci assicuriamo che sia raggiunto attraverso l'interazione tra gli agenti, " spiega Thomas Müller.

Il modello di apprendimento può riprodurre il comportamento collettivo

Thomas Muller, Katja Ried e Hans Briegel hanno applicato questo modello di apprendimento al comportamento di sciamatura specifico e ben studiato di una locusta. In uno spazio ristretto, il comportamento di movimento dell'insetto corrisponde alla dimensione dello sciame. Se ci sono solo pochi individui, le locuste si muovono in modo disordinato. In numero maggiore, si muovono insieme come un'unità. In numero molto elevato, si muovono come un'unità e nella stessa direzione. Poiché i ricercatori erano inizialmente interessati a testare semplicemente il loro modello di apprendimento, hanno utilizzato una descrizione qualitativa del comportamento delle locuste al posto dei dati grezzi. In questo modo, Li avevamo, infatti, in grado di riprodurre qualitativamente il comportamento delle locuste.

Guardando avanti, Thomas Müller ritiene che la ricerca futura in questo settore trarrà vantaggio da ampi set di dati sugli animali, come banchi di pesci con i loro modelli comportamentali dinamici. "La modellazione del pesce sarebbe probabilmente un passo successivo buono ma anche molto complicato per rendere il nostro modello di apprendimento ancora più realistico, " conclude Muller.