I ricercatori della North Carolina State University hanno scoperto che l'insegnamento della fisica alle reti neurali consente a tali reti di adattarsi meglio al caos all'interno del loro ambiente. Il lavoro ha implicazioni per applicazioni di intelligenza artificiale (AI) migliorate che vanno dalla diagnostica medica al pilotaggio automatizzato dei droni.

Le reti neurali sono un tipo avanzato di intelligenza artificiale vagamente basato sul modo in cui funziona il nostro cervello. I nostri neuroni naturali scambiano impulsi elettrici in base alla forza delle loro connessioni. Le reti neurali artificiali imitano questo comportamento regolando pesi numerici e distorsioni durante le sessioni di allenamento per ridurre al minimo la differenza tra i risultati effettivi e quelli desiderati. Per esempio, una rete neurale può essere addestrata per identificare le foto dei cani setacciando un gran numero di foto, indovinare se la foto è di un cane, vedere quanto è lontano e poi aggiustare i suoi pesi e i suoi pregiudizi fino a quando non sono più vicini alla realtà.

Lo svantaggio di questo addestramento della rete neurale è qualcosa chiamato "cecità al caos", un'incapacità di prevedere o rispondere al caos in un sistema. L'IA convenzionale è cieca al caos. Ma i ricercatori del Nonlinear Artificial Intelligence Laboratory (NAIL) di NC State hanno scoperto che incorporare una funzione hamiltoniana nelle reti neurali consente loro di "vedere" meglio il caos all'interno di un sistema e adattarsi di conseguenza.

In poche parole, l'Hamiltoniano incarna l'informazione completa su un sistema fisico dinamico:la quantità totale di tutte le energie presenti, cinetica e potenziale. Immagina un pendolo oscillante, muoversi avanti e indietro nello spazio nel tempo. Ora guarda un'istantanea di quel pendolo. L'istantanea non può dirti dove si trova quel pendolo nel suo arco o dove andrà dopo. Le reti neurali convenzionali operano da un'istantanea del pendolo. Le reti neurali che hanno familiarità con il flusso hamiltoniano comprendono la totalità del movimento del pendolo:dov'è, dove sarà o potrebbe essere, e le energie coinvolte nel suo movimento.

In un progetto proof-of-concept, il team NAIL ha incorporato la struttura hamiltoniana nelle reti neurali, poi li hanno applicati a un modello noto di dinamica stellare e molecolare chiamato modello di Hénon-Heiles. La rete neurale hamiltoniana ha predetto accuratamente la dinamica del sistema, anche se si muoveva tra ordine e caos.

"L'hamiltoniano è davvero la 'salsa speciale' che dà alle reti neurali la capacità di apprendere l'ordine e il caos, "dice John Lindner, ricercatore in visita presso NAIL, professore di fisica presso il College of Wooster e corrispondente autore di un articolo che descrive il lavoro. "Con l'Hamiltoniano, la rete neurale comprende le dinamiche sottostanti in un modo che una rete convenzionale non può. Questo è un primo passo verso reti neurali esperte di fisica che potrebbero aiutarci a risolvere problemi difficili".

L'opera appare in Revisione fisica E ed è supportato in parte dall'Office of Naval Research. Il primo autore è il ricercatore post-dottorato dello Stato NC Anshul Choudhary. Bill Idem, professore di fisica alla NC State, è direttore di NAIL. Il ricercatore in visita Scott Miller; Sudeshna Sinha, dall'Indian Institute of Science Education and Research Mohali; e anche lo studente laureato della NC State Elliott Holliday hanno contribuito al lavoro.