"Copernico conversa con Dio" dipinto di Jan Matejko (1872)
L’intelligenza artificiale è ormai entrata a far parte della nostra vita quotidiana. I dispositivi di riconoscimento vocale dei nostri smartphone, o dei computer di bordo di alcune automobili, o alcune applicazioni come il traduttore di Google funzionano grazie al machine learning. Fino ad ora questo sistema di calcolo è stato sfruttato per risolvere compiti molto circoscritti, perché le sue capacità di “ragionamento” lo rendono più un idiot savant che una vera e propria macchina intelligente. Alcuni ricercatori tuttavia sono convinti che le reti neurali possano presto espandere i propri orizzonti e diventare preziose alleate in una delle imprese che più caratterizzano l’uomo e il suo intelletto: la scoperta scientifica.
In un articolo da poco accettato per la pubblicazione dalla rivista Physical Review Letters, il gruppo di ricerca guidato dal fisico dello Swiss Federal Institute of Technology di Zurigo Renato Renner parla di un obiettivo a lungo termine: la scoperta scientifica assistita dalle macchine (the long-term goal of machine-assisted scientific discovery).
Chiaramente la stra grande maggioranza dei lavori scientifici che ogni giorno vengono pubblicati sono già assistiti da sofisticate strumentazioni tecnologiche (microscopi, telescopi, calcolatori) che portano la mano e l’occhio umano là dove da soli non potrebbero andare. Ma l’ambizione che ha mosso i fisici svizzeri è diversa: insegnare a una macchina a ragionare scientificamente. Per implementare un simile compito i ricercatori hanno progettato una rete neurale costituita da due sotto-reti; il modello giocattolo (toy model) con cui la si è fatta esercitare è stata la simulazione di un sistema solare visto dalla Terra.
La prima rete funziona come una tipica rete neurale: sottoposta a grandi quantità di dati impara a riconoscere pattern ricorrenti (a quattro gambe, una coda e dei baffi associa l’immagine di un gatto, a due ali e un becco quella di un uccello, e così via). L’obiettivo dei ricercatori era però far fare al sistema un passo ulteriore, arrivando a fargli produrre poche formule che sintetizzassero in modo elegante, come farebbe un bravo fisico, i pattern osservati nei big data.
La seconda rete si occupava proprio di questo, ovvero di fare predizioni per mettere alla prova i risultati ottenuti dalla prima rete, con la quale era collegata da poche connessioni attraverso cui venivano concentrate e trasferite tutte le informazioni.
LEGGI ANCHE:
Nella fattispecie il sistema ha dovuto elaborare dati sulle traiettorie del sole e di Marte per come appaiono nel cielo terrestre. Sebbene nella Grecia antica fossero già state sviluppate teorie eliocentriche (si pensi a Aristarco di Samo prima e a Ipazia di Alessandria poi), da Tolomeo in poi (II secolo d. C.) per secoli l’umanità ha creduto che la Terra fosse al centro dell’universo. L’intelligenza artificiale costruita da Renner e colleghi ha invece trovato in fretta la soluzione copernicana all’enigma astronomico. La seconda sotto-rete ha infatti prodotto le formule per la traiettoria di Marte “riscoprendo uno dei più importanti cambi di paradigma della storia della scienza” ha commentato su Nature Mario Krenn, fisico dell’università di Toronto in Canada che sta lavorando a simili applicazioni dell’intelligenza artificiale.
La rete neurale costruita da Renner e colleghi, oltre alla sfida astronomica dell’eliocentrismo, si è misurata con altri semplici problemi di fisica classica e quantistica. Una volta assimilati i dati, produceva semplici rappresentazioni, che a loro volta venivano utilizzate per rispondere a domande sul sistema fisico rappresentato, da cui la macchina estraeva i concetti fisici rilevanti. La tecnica con cui è stata progettata la rete neurale, e che simula per così dire il ragionamento scientifico, si chiama representation learning (apprendimento per rappresentazioni).
“La rappresentazione immagazzina parametri fisici rilevanti come la frequenza di un pendolo” si legge nell’articolo. “La rete trova e sfrutta le leggi di conservazione: immagazzina il momento angolare totale per predire il moto di due particelle in collisione. Inseriti i dati sulle misure di un semplice sistema di meccanica quantistica, la rete riconosce correttamente il numero di gradi di libertà che descrivono lo stato quantistico sottostante. Data una serie temporale di posizioni del sole e di Marte osservati dalla Terra, la rete scopre il modello eliocentrico del sistema solare, ovvero codifica i dati nella forma degli angoli dei due pianeti visti dal sole”.
L’importanza del lavoro sta nell’essere riusciti a estrarre i parametri più rilevanti che descrivono un sistema fisico e a organizzarli in una forma coerente che interpreta correttamente la realtà, senza che la macchina avesse una conoscenza pregressa dei sistemi osservati. Secondo alcuni questo genere di tecniche sono l’unica speranza per comprendere fenomeni, fisici o di altra natura, altrimenti troppo complessi. Renner e colleghi per ora hanno lavorato su modelli giocattolo, ma il loro scopo è impiegare questa strategia per gettar luce su problemi ben più complessi di meccanica quantistica.
