Il primo punto importante da ricordare è che le tecniche di rete neurale e di machine learning utilizzate per addestrarle, sono in uso da diverso tempo in astronomia. I primi utilizzi, come avevo ricordato a suo tempo su vecchio articolo uscito su MaddMaths! (versione in inglese con equazioni funzionanti - cercherò di realizzare una versione in italiano con le equazioni), puntavano sul miglioramento delle immagini astronomiche. Tecniche che in effetti sono state implementate in molti filtri specifici nel corso dell'ultimo decennio all'interno di software e app di fotoritocco.
Ora gli astronomi, e sono coinvolti anche alcuni ricercatori INAF, hanno fatto un passo in più: addestrare una rete neurale a compiere calcoli piuttosto complessi. A questo punto, prima di procedere un po' più in dettaglio, mi sembra giusto scrivere che ero un po' indeciso se e dove scrivere queste righe, avendo in corso la scrittura di un altro post sull'argomento, ma alla fine ho preferito non saltare completamente la notizia, non avendo garanzia sui tempi di scrittura. "Detto" ciò, procediamo con i punti essenziali.
Uno dei dati essenziali dell'astronomia è il "peso" delle galassie. Per esempio è proprio grazie alla valutazione della massa di alcune galassie che si riuscì a scoprire dell'esistenza della materia oscura. Certo, un metodo indiretto che però ha aperto la strada alla ricerca di osservazioni dirette, fino a ora senza alcun risultato, ma questo è un altro discorso. Ci sono diverse tecniche per pesare le galassie, alcune basate sulla spettroscopia, come due progetti in cui l'INAF è coinvolta, WEAVE e 4MOST. Queste osservazioni producono, generalmente, una gran mole di dati a cui, successivamente, vengono applicati, tramite algoritmi opportuni generalmente sviluppati dagli stessi astronomi, calcoli piuttosto complicati e laboriosi che prendono diversi giorni di calcolo. E visto che la quantum computing non è ancora pronta, ecco l'idea: addestrare una rete neurale a compiere i calcoli al posto degli attuali algoritmi.
Il primo passo di questa strada è stato addestrare una rete neurale utilizzando le simulazioni su cui si basano i calcoli, o in termini più pop, insegnare la fisica all'intelligenza artificiale. E questa, quando gli si sono stati dati in pasto i dati reali, ha effettivamente mostrato di aver imparato la fisica, riproducendo perfettamente i risultati ottenuti con i metodi classici. Il metodo, che ha indubbiamente lo svantaggio iniziale di dover attendere i tempi di apprendimento della rete neurale, ha il vantaggio di ridurre i tempi di calcolo fondamentalmente perché, a differenza di un algoritmo di calcolo, la rete neurale non riparte mai da zero, ma dal punto cui è arrivata in precedenza. Per avere un'idea di questo vantaggio basta pensare ai motori scacchistici che, con l'introduzione delle reti neurali, hanno ridotto i tempi di calcolo anche per quelle posizioni non presenti nel database delle partite. E questi tempi si vanno man mano riducendo con l'arricchimento di questo database.
Inoltre, comne ha anche ricordato Nicola Napolitano, la speranza è quella che la rete neurale possa anche imparare della fisica ignota. Quest'ultimo punto, personalmente, mi lascia un po' perplesso, non tanto perché non trovi eccitante riuscire a progettare una rete neurale che sia realmente intelligente, quanto per alcune parole espresse alcuni anni fa da Hayao Miyazaki a tal proposito:
Come umani stiamo perdendo la fede in noi stessi.
Ho generato l'immagine in apertura del post con Night Cafe utilizzando il titolo dell'articolo come prompt.
Nessun commento:
Posta un commento