È proprio con questo esperimento che “l’allievo ha superato il maestro”, in questo caso D3M, un software per la simulazione di universi, ha cominciato ad imparare a produrre simulazioni sempre più accurate anche quando gli venivano modificati i parametri.

‘Come se un programma per riconoscere cani e gatti iniziasse a riconoscere da solo anche gli elefanti’. Ha detto l’astrofisico Shirley Ho.

Partito come un “semplice” software mirato a creare simulazioni dell’universo è finito per far parlare di sé per quanto riguarda il Deep Learning e l’evoluzione delle AI: le intelligenze artificiali.

La simulazione di universi

La storia dell’universo è sempre uno dei temi più scottanti in ambito scientifico. Abbiamo compreso che all’origine di tutto vi sia stato un Big Bang, ma descrivere come poi si sia formato il cosmo con le stelle, pianeti e buchi neri non è una cosa semplice.

Per comprendere appieno il processo mediante il quale l’universo si sia espanso, da tempo ormai vengono elaborati software in grado di ricreare simulazioni al computer dell’universo, basandosi su presupposti di base come la gravità e la materia (oscura e non) presente. Di contro queste simulazioni sono sempre state accurate, ma lente oppure veloci, ma molto meno precise.

Credit: pnas.org
Il campo vettore di spostamento (a sinistra) e il campo di densità risultante (a destra) prodotto da D3M. I vettori a sinistra sono uniformemente ridimensionati per una migliore visualizzazione.

Ora una simulazione dell’universo creata tramite tecniche di apprendimento automatico e di intelligenza artificiale è stata realizzata da un gruppo di ricercatori del Center for Computational Astrophysics di New York ed è la più veloce e la più accurata di sempre. Lo studio è pubblicato sulla rivista della National Academy of Sciences.

Ma c’è una sorpresa

La particolarità di questo studio risiede anche nel fatto che sembra quasi che il software “abbia preso vita” ed abbia imparato a fare cose che non erano state previste. Tanto che i ricercatori, in un comunicato stampa, hanno dichiarato di non saper più come funziona il software.

Esso, infatti, ha iniziato a generare rapidamente simulazioni tridimensionali dell’universo accurate, anche quando si modificavano i parametri e li si portava a valori su cui il sistema non era stato addestrato.

Ripassiamo come funzionano i sistemi di apprendimento automatico…

Si tratta di software in grado di riconoscere pattern mediante il supporto di esempi forniti dall’esterno. In questo modo la macchina sarà in grado di migliorare le proprie capacità e prestazioni nel tempo. Alla base dell’apprendimento automatico ci sono una serie di differenti algoritmi che, partendo da nozioni primitive, sapranno prendere una specifica decisione piuttosto che un’altra o effettuare azioni apprese nel tempo.

Schema del funzionamento di una rete di deep learning
Credit: mapr.com

Si parla quindi di apprendimento supervisionato quando alla macchina vengono fornite nozioni specifiche (come nel caso di D3M) e codificate, ossia modelli ed esempi che permettono di costruire un vero e proprio database di informazioni e di esperienze.

In questo modo il sistema è in grado di eseguire dei collegamenti o di fare dei riconoscimenti in maniera automatica, non solo senza l’intervento esterno ma in sostanza senza che neanche si possa comprendere appieno, in determinate fasi, il procedimento che il software stesso utilizza.

Come ha lavorato D3M

L’obiettivo era quello di insegnare a D3M (Deep Density Displacement Model) come la gravità va a modellare l’universo essendo ritenuta la forza più importante in fatto di evoluzione strutturale del cosmo su larga scala. A tal fine al sistema sono state fornite ben 8000 diverse simulazioni focalizzate sulla gravità create da un simulatore di universi già esistente.

Dopo la prima fase la macchina ha cominciato ad eseguire i propri calcoli basati su queste informazioni ed è  giunta alla rappresentazione di un universo cubico con ogni lato lungo 600 milioni di anni luce, in soli 30 millisecondi. Ad ogni simulazione, il software migliora sè stesso e i propri risultati.

Credit: astrowatch.net

D3M è in grado di creare modelli accurati anche se i ricercatori cambiano i parametri e ne inseriscono altri non inclusi nei dati di addestramento. Ad esempio, modificando la quantità di materia oscura presente nell’universo simulato, il software è in grado di lavorare normalmente, anche se in teoria non dovrebbe saperlo fare.

Sicuramente l’aspetto più importante di questo studio risiede nel fatto che si è stati in grado di realizzare una rete neurale capace di proporre simulazioni di universi in millesimi di secondo ed estremamente accurate. Questo studio potrà rivelarsi utile per altri ricercatori impegnati nello studio dell’origine o della struttura dell’universo stesso e in generale il metodo potrebbe essere di utilità in tutte le simulazioni computerizzate di oggetti o eventi spaziali. Tuttavia D3M costituirà anche uno studio a parte sul funzionamento delle intelligenze artificiali e in particolare modo dei processi di apprendimento automatico.

LEAVE A REPLY

Please enter your comment!
Please enter your name here