Rete neurale liquida: cosa c’entra un worm?
Avvio dell’agente vocale autonomo Agara raccoglie $ 4,3 milioni per accelerare lo sviluppo del prodotto
Iricercatori del Massachusetts Institute of Technology (MIT) hanno sviluppato una “rete liquida”, una rete neurale in grado di apprendere sul lavoro.
Le reti liquide possono adattarsi continuamente ai nuovi input di dati in tempo reale per anticipare il comportamento futuro consentendo agli algoritmi di prendere decisioni sulla base di flussi di dati che cambiano nel tempo.
Di seguito, analizzeremo come i ricercatori hanno creato questo nuovo modello, i suoi vantaggi e le potenziali applicazioni.
Biomimetismo
Le reti neurali sono algoritmi di apprendimento automatico che utilizzano una serie di esempi di addestramento per riconoscere i modelli. Le reti liquide sono un tipo di reti neurali che possono modificare i suoi parametri in tempo reale, migliorando sostanzialmente la sua capacità di analizzare i dati di serie temporali.
I ricercatori si sono ispirati al nematode C Elegans, un piccolo verme che genera dinamiche inaspettatamente complesse o combinazioni di comportamenti nonostante il numero limitato di neuroni. La rete liquida è stata sviluppata analizzando attentamente il modo in cui i neuroni nel nematode si attivano e comunicano tra loro tramite impulsi elettrici.
Nelle reti liquide, i parametri cambiano nel tempo, in base ai risultati di un insieme annidato di equazioni differenziali.
Vantaggi
Le reti liquide rendono il modello più robusto migliorando la sua resilienza a dati imprevisti e rumorosi. Ad esempio, può far sì che gli algoritmi si adattino a forti piogge che oscurano la visione di un’auto a guida autonoma.
La rete liquida rende l’algoritmo più interpretabile. La rete può aiutare a superare la natura della scatola nera degli algoritmi di apprendimento automatico a causa della natura espressiva dei neuroni.
La rete liquida ha funzionato meglio di altre serie temporali all’avanguardia di alcuni punti percentuali per prevedere i valori futuri nei set di dati utilizzati nella chimica atmosferica e nei modelli di traffico.
Oltre all’elevata affidabilità, ha anche contribuito a ridurre i costi computazionali. I ricercatori miravano a un numero inferiore ma più ricco di nodi nell’algoritmo. In altre parole, lo studio si è concentrato sul ridimensionamento della rete piuttosto che sull’ampliamento.
Potenziali applicazioni
“Questa è una via da seguire per il futuro del controllo dei robot, dell’elaborazione del linguaggio naturale, dell’elaborazione video – qualsiasi forma di elaborazione dei dati di serie temporali”, ha affermato Ramin Hasani, l’autore principale dell’articolo.
Sono stati compiuti enormi progressi nello sviluppo di robot intelligenti in grado di svolgere molteplici attività intelligenti come lavorare insieme agli esseri umani o dare consigli sulla salute mentale. Tuttavia, la sua adozione presenta una preoccupazione significativa in termini di sicurezza ed etica.
Le reti liquide possono aiutare a superare queste sfide migliorando le applicazioni delle serie temporali. La capacità di prendere decisioni in tempo reale può migliorare la sicurezza sia dei robot che degli esseri umani che lavorano in tandem in ambienti quotidiani come strade o magazzini.
I social-bot o chatbot hanno fatto tutti i titoli sbagliati in passato per aver rilasciato dichiarazioni controverse. Grazie alla sua migliore interpretabilità, le reti liquide possono aiutare a evitare tali controversie migliorando gli algoritmi di elaborazione del linguaggio naturale. Inoltre, il processo decisionale potenziato può far sì che i chatbot aggirino le incongruenze in una conversazione, un tema comune nelle chat con pazienti di salute mentale.
I dati delle serie temporali sono ampiamente utilizzati nella diagnosi medica e nello sviluppo di farmaci. Anche le reti liquide potrebbero accelerare questi processi.
La rete liquida è un punto di svolta in termini di applicazioni più ampie e risparmio sui costi. La rete potrebbe essere un elemento essenziale di diversi futuri sistemi intelligenti. Secondo i ricercatori, il passo successivo è migliorare il sistema attuale e renderlo pronto per le applicazioni industriali.
