Tech by VICE

Questa intelligenza artificiale sa ragionare come un fisico in carne e ossa

Il MIT ha sviluppato un'intelligenza artificiale capace di determinare le leggi fisiche che governano universi simulati. Forse, i prossimi Newton o Einstein saranno solo delle righe di codice?

di Daniel Oberhaus
05 novembre 2018, 10:48am

Immagine: Shutterstock

Due ricercatori del MIT hanno creato una ”Intelligenza Artificiale-Fisico” capace di generare teorie sulle leggi fisiche che regolano una serie di universi simulati. La loro ricerca è un importante passo avanti verso la creazione di algoritmi di apprendimento automatico che oltre a trovare modelli, sono anche in grado di estrapolare delle informazioni da questi modelli per produrre delle previsioni sul futuro. Il tutto porrebbe le basi per arrivare un giorno a scoperte scientifiche attribuibili solamente a intelligenze artificiali.

Quando un'IA riceve un set di dati, li analizza per creare un modello specifico in base al compito in questione. Per esempio, se volessi addestrare un'intelligenza artificiale a riconoscere un gatto, potrei dargli in pasto migliaia di immagini di gatti in modo che l'algoritmo possa operare una generalizzazione estraendo delle caratteristiche simili trovate in ogni foto per crearsi un modello di gatto.

Il modo in cui le intelligenze artificiali creano modelli è simile al modo in cui gli scienziati usano le teorie per creare delle generalizzazioni a partire da una particolare istanza di un fenomeno applicabili a tutte le istanze di quel fenomeno in contesti simili. C'è però una differenza fondamentale.

Leggi Anche: Questi ricercatori hanno creato la prima "vita artificiale quantistica"

Nell'esempio precedente, all'IA in questione sono state date in pasti immagini che si concentravano sui gatti. Un compito molto più difficile — assimilabile al processo dello sviluppo della ricerca scientifica — sarebbe quello di fornire alle IA le immagini di gatti in ambienti simili come, ad esempio, una foresta. Con questo set di dati, un'IA incaricata di creare un modello di un gatto dovrebbe riuscire a ignorare i dettagli irrilevanti (come le piante che circondano l'animale) e a concentrarsi solo sul gatto. In alternativa, potrebbe arrivare a produrre un modello che raffigura tutti i gatti come se questi vivessero nelle foreste. Tuttavia, fornendo all'IA l'immagine di un gatto che dorme sul vostro letto, questa non riuscirebbe a riconoscerlo perché il suo modello sarebbe difettoso.

Anche se l'IA non sarebbe del tutto in torto — esistono diverse specie di gatti che vivono esclusivamente nelle foreste — avrebbe commesso l'errore di creare un unico grande modello per cercare di adattarlo a tutti i dati. Un approccio più fruttuoso impiegato dagli scienziati è quello di creare dei piccoli modelli o teorie che si applicano a sottoinsiemi di dati osservati e poi di combinare queste teorie più piccole fino ad arrivare, possibilmente, ad una ”teoria del tutto.”

Insegnare alle intelligenze artificiali a suddividere i dati per creare dei modelli più limitati che possono essere combinati insieme per creare dei modelli più grandi si sta rivelando una sfida notevole per i ricercatori che si occupano di machine learning. Tuttavia, come spiegato in un paper pubblicato su arXiv la scorsa settimana, Tailin Wu e Max Tegmark, due fisici del MIT, hanno fatto un passo importante in questa direzione con la loro ”Intelligenza Artificiale-Fisico.”

I ricercatori hanno dotato il loro algoritmo di machine learning di quattro strategie utilizzate anche dagli scienziati umani per produrre osservazioni complesse: divide et impera (generare più teorie specifiche solo per una piccola parte dei dati), il rasoio di Occam (usare la teoria più semplice possibile), l'unificazione (combinare le teorie) e ”l'apprendimento permanente” (provare ad applicare le teorie ai problemi futuri).

Dopo che queste strategie sono state codificate nell'algoritmo di machine learning, Tegmark e Wu hanno sottoposto all'algoritmo una serie di ambienti virtuali sempre più complessi governati da strane leggi fisiche e hanno incaricato l'IA di capirne il senso. In particolare, l'obiettivo dell'IA era prevedere il movimento di un oggetto in due dimensioni nel modo più accurato possibile. Per riuscirci, l'IA doveva generare delle teorie fisiche in modo da capire secondo quali leggi un oggetto si muoveva in un determinato ambiente.

1541094406003-Untitled
Un esempio di ambiente sottoposto all'IA-Fisico. Ognuno dei quattro quadranti è governato da un effetto fisico diverso, come la forza di gravità o un campo elettromagnetico. Le linee e i punti rappresentano la traiettoria di una palla attraverso l'ambiente. L'IA deve usare le strategie che gli sono state fornite per descrivere le leggi fisiche che governano il movimento della palla attraverso i diversi ambienti. Immagine: Tegmark e Wu/arXiv

Come hanno scoperto Tegmark e Wu, l'intelligenza artificiale ha avuto difficoltà crescenti a comprendere le leggi fisiche che regolavano gli ambienti man mano che questi diventano più complicati. Nel complesso, l'IA è stata esposta a 40 ambienti misteriosi diversi ed è riuscita a generare teorie corrette sulle leggi fisiche che li governavano in oltre il 90% dei casi. Inoltre, è riuscita a ridurre gli errori di previsione di un ”miliardo di volte” rispetto agli algoritmi di apprendimento automatico convenzionali.

Questo lavoro può avere grandi conseguenze su come gli esseri umani porteranno avanti le ricerche scientifiche in futuro. In particolare, potrebbe rivelarsi particolarmente utile per comprendere insiemi di dati estremamente complessi, come quelli utilizzati nei modelli climatici ed economici. Forse, i prossimi Newton o Einstein saranno solo delle righe di codice informatico.

Questo articolo è apparso originariamente su Motherboard US.