Intelligenza artificiale: risolve problema matematico in tempi record

Un importante progresso nel “Reservoir Computing” ha permesso di risolvere un problema matematico complesso 1 milione di volte più velocemente rispetto al metodo computazionale precedente.

Con il termine “Reservoir Computing” ci si riferisce a uno dei più avanzati e potenti tipi di intelligenza artificiale a disposizione della scienza. Nello specifico si tratta di un insieme di metodologie per il design e l'allenamento delle reti neurali ricorrenti. Ora un nuovo studio delinea come rendere il suo potenziale computazionale fino a un milione di volte più veloce in determinati compiti specifici.

Il Reservoir Computing si basa su sistemi di apprendimento automatico fondati sulla stessa metodologia di funzionamento dei cervelli organici. Se, ad esempio, a questa rete neurale vengono mostrate delle immagini di un certo oggetto, essa saprà riconoscerlo autonomamente quando lo vedrà, in modo abbastanza preciso e delineato. Il recente progresso raggiunto in questa tecnologia informatica è utile per cercare di risolvere le sfide computazionali più complesse, come la previsione dei cambiamenti metereologici e la modellazione del flusso di fluidi attraverso lo spazio.

Il gruppo di ricerca promotore del recente studio pubblicato su "Nature Communications" parla del risultato raggiunto come “emblema” della prossima generazione di Reservoir Computing. Il meccanismo che regola questo processo consiste nell’inviare le informazioni raccolte in un “serbatoio”, in cui la mole di dati viene elaborata in vari modi, per poi essere analizzata e restituita al processo di apprendimento. In questo modo l’intero algoritmo risulta più veloce e adattabile alle sequenze di apprendimento. Tuttavia, questa nuova metodologia deve basarsi sull’elaborazione casuale, dato che il “serbatoio” rappresenta una sorta di “scatola nera” del quale contenuto non si hanno evidenze chiare.

Per condurre la nuova ricerca è stata utilizzata un'analisi matematica allo scopo di capire quali parti di un Reservoir Computing fossero effettivamente cruciali per il suo funzionamento e quali no; è stato dimostrato che possono essere resi più efficienti rimuovendo la randomizzazione, accelerando quindi il tempo di elaborazione. Il fisico Daniel Gauthier della Ohio State University, uno dei principali protagonisti della ricerca, ha affermato: “Per il nostro reservoir computing di nuova generazione, non è quasi necessario alcun tempo di warm-up. Necessitando di pochissimi dati in input per la sua operatività”

Il nuovo sistema computazionale si è dimostrato tra le 33 e le 163 volte più veloce del suo predecessore a seconda della tipologia di dati da trattare. Tuttavia, quando l'obiettivo dell'attività è stato spostato per dare priorità alla precisione, il modello aggiornato è stato ben 1 milione di volte più veloce.