Oggi è sulla bocca di tutti, ma è almeno dal 2010 che l’intelligenza artificiale sta cambiando le nostre vite. Per lo più questa rivoluzione è portata avanti da una tecnologia molto specifica: il machine learning, cioè “apprendimento automatico”, che utilizza reti neurali artificiali.
Le scoperte che hanno permesso lo sviluppo del riconoscimento facciale, della traduzione automatica e delle auto a guida autonoma risalgono però alla fine del secolo scorso e hanno tratto ispirazione dalle leggi che governano la materia. Per questo oggi il Premio Nobel per la Fisica 2024 è stato assegnato John J. Hopfield (Università di Princeton) e Geoffrey E. Hinton (Università di Toronto) con questa motivazione:
«per le scoperte fondamentali che hanno reso possibile il machine learning basato su reti neurali artificiali.»
Il ruolo della fisica nello sviluppo delle reti neurali artificiali
Le reti neurali artificiali sono state inizialmente ispirate dalla struttura biologica del cervello umano. In questi sistemi, i neuroni artificiali (nodi) trasmettono informazioni tra loro tramite connessioni che possono essere rafforzate o indebolite. Questo meccanismo permette ai computer di “apprendere” dai dati e di migliorare nel tempo. Il lavoro dei due fisici ha fornito le basi teoriche e pratiche per lo sviluppo di queste reti, portando a scoperte rivoluzionarie nel campo dell’apprendimento automatico.
John Hopfield, nato nel 1933 a Chicago, ha sviluppato nel 1982 la rete di Hopfield, un modello di rete neurale ispirato alla memoria associativa dei sistemi biologici. Questa rete è capace di memorizzare un’immagine modello, in base alla quale può ricostruire l’informazione anche a partire da dati parzialmente mancanti o distorti. Un po’ come quando non ci viene una parola, ma siamo in grado di recuperarla dalla memoria pensando alle lettere che ricordiamo o ad altre parole con un suono simile.
Hopfield sviluppò la sua rete attraverso l’analogia con i sistemi fisici, utilizzando concetti della fisica statistica (uno dei campi in cui è esperto). I nodi della sua rete, collegati tra loro con legami di diversa forza, possono avere due stati e quindi si comportano come atomi in un materiale magnetico, che possono avere lo spin in direzioni opposte e che si influenzano a vicenda. Come nel caso della materia, che può essere descritta attraverso l’energia complessiva del sistema, lo stato della rete può essere descritto da una formula basata sullo stato dei nodi e sulle connessioni.
La rete funziona così: viene inviata un’immagine modello dove ogni pixel corrisponde a un nodo (neurone), che può avere due stati (bianco e nero). Le connessioni tra i neuroni artificiali si adattano in modo che l’immagine memorizzata abbia la minima energia. Quando la rete riceve un altro pattern, per esempio uno incompleto o distorto, la rete può correggere le informazioni, cioè cambiare lo stato dei pixel, cercando il percorso a minima energia e riproducendo l’immagine originale.
La macchina di Boltzmann, invece, va oltre. Geoffrey Hinton, nato a Londra nel 1947, ha sviluppato nel 1985 una rete neurale capace di apprendere senza istruzioni esplicite, trovando modelli nei dati che non sono stati indicati a priori. Questo permette di identificare nuove tendenze e strutture nei dati, che possono essere utilizzate per generare nuove informazioni o classificare oggetti mai visti prima. Ogni neurone (nodo) è collegato agli altri tramite connessioni che possono essere più forti o più deboli. La rete cerca di “capire” quali sono i modelli o gli schemi nei dati che le vengono dati, come se cercasse di riconoscere volti in una foto o oggetti in un’immagine.
Il suo nome viene dal fisico Ludwig Boltzmann, perché il modo in cui la rete funziona si ispira alle sue teorie, in particolare a come le particelle di un sistema termodinamico si distribuiscono tra diversi livelli di energia. Nella macchina di Boltzmann, i neuroni cercano di trovare una configurazione (o disposizione) che minimizza l’energia del sistema, proprio come le particelle in natura tendono a disporsi in stati a bassa energia. Per fare ciò, la macchina di Boltzmann ripete continuamente un processo che va a tentativi, cambiando lo stato dei neuroni fino a trovare la configurazione che meglio corrisponde ai dati che sta cercando di imparare. In parole povere, è come se provasse diverse combinazioni finché non trova quella che meglio “spiega” o “ricostruisce” il modello che ha appreso dai dati.
Un impatto su scala globale
Negli anni Ottanta l’informatica era ancora troppo primitiva perché i modelli di Hopfield e Hinton potessero fare presa. Ma i principi erano validi e alla fine il loro impatto è stato straordinario.
Le reti neurali artificiali sono oggi utilizzate per risolvere problemi complessi in biologia, chimica, fisica e medicina. Per esempio, nella biologia computazionale, queste reti aiutano a prevedere la struttura delle proteine e a progettare nuovi farmaci, mentre in astronomia vengono usate per analizzare i dati provenienti dalle osservazioni dei buchi neri e delle onde gravitazionali.
Le applicazioni non si fermano qui: grazie alle reti neurali profonde, i ricercatori sono riusciti a migliorare le previsioni sul cambiamento climatico, a progettare nuovi materiali per l’energia rinnovabile, e a sviluppare tecnologie sempre più avanzate per l’elaborazione di linguaggi naturali, come nei moderni assistenti vocali e nei sistemi di traduzione automatica.
Le reti neurali vengono ora sfruttate in ambito medico, per l’analisi delle immagini diagnostiche e per predire la risposta dei pazienti a determinati trattamenti. Il loro impiego nella diagnosi precoce di malattie, come i tumori, è un campo in rapida espansione e promette di rivoluzionare la medicina personalizzata.
