AS 8

Novembre - Dicembre 2024 n Automazione e Strumentazione Primo piano 14 SCENARI si è sviluppato negli ultimi tre decenni in uno strumento versatile e potente, con applicazioni scientifiche sia quotidiane che avanzate. Ispi- rate dalle reti di neuroni biologici, le ANN sono grandi raccolte di nodi collegati da ‘sinapsi’ addestrati per svolgere determinati compiti anzi- ché eseguire set predeterminati di istruzioni. Dopo i primi pionieristici elaboratori elettro- nici, che iniziavano a risolvere il problema di eseguire calcoli particolarmente gravosi per gli esseri umani, negli anni 50 emerse un’altra esigenza, quella di chiedere ai computer di fare ciò in cui gli esseri umani sono piuttosto bravi: il riconoscimento di schemi. Questo obiettivo, orientato all’intelligenza artificiale, fu inizial- mente affrontato da matematici e informatici che svilupparono programmi basati su regole e inferenze logiche; un approccio perseguito fino agli anni 80, ma poi lentamente abbandonato per la constatazione che le risorse computazionali necessarie diventavano proibitive. Qualcuno però si era già mosso in un’altra dire- zione, cercando di scoprire come i sistemi biolo- gici risolvono il problema del riconoscimento di schemi. Nel 1943, Warren McCulloch e Wal- ter Pitts , rispettivamente un neuroscienziato e un logico, avevano proposto un modello di come i neuroni cooperano nel cervello: nel loro modello, un neurone formava una somma pon- derata di segnali binari in arrivo da altri neuroni, che determinavano un segnale binario in uscita. Il loro lavoro divenne una rampa di lancio per la successiva ricerca sulle reti neurali sia biologi- che che artificiali. Un altro contributo influente venne dallo psi- cologo Donald Hebb che nel 1949 propose un meccanismo per l’apprendimento e i ricordi, in cui l’attivazione simultanea e ripetuta di due neuroni porta a un aumento della forza della sinapsi tra di essi. Nel campo delle ANN furono esplorate due architetture per sistemi di nodi interconnessi: rete ricorrente e feedforward ; dove la prima consente interazioni di feedback; una rete feedforward ha livelli di input e output e può anche contenere ulteriori livelli di nodi nascosti. Nel 1957, Frank Rosenblatt propose una rete feedforward per l’interpretazione delle imma- gini, che fu anch’essa implementata nell’hard- ware del computer: aveva tre livelli di nodi, con pesi regolabili solo tra il livello intermedio e quello di output. La proposta di Rosenblatt attirò notevole attenzione ma aveva dei limiti quando si trattava di problemi non lineari; limiti eviden- ziati in un influente libro di Marvin Minsky e Seymour Papert che portò nel 1969 a una pausa nei finanziamenti per la ricerca sulle reti neurali artificiali. Entra in scena Hopfield Gli anni 80 hanno visto importanti innova- zioni nei settori delle reti neurali ricorrenti e feedforward, che hanno portato a una rapida espansione del campo delle reti neurali artifi- ciali. John Hopfield era un fisico teorico ed era anche una figura di spicco nella fisica biologica; un suo lavoro fondamentale negli anni 70 aveva esaminato il trasferimento di elettroni tra bio- Nella vita di tutti i giorni, le reti neurali artificiali sono già ampiamente utilizzate nei sistemi di traduzione automatica, nel riconoscimento di immagini e nell’AI generativa