AS 8

Novembre - Dicembre 2024 n Automazione e Strumentazione Primo piano 18 SCENARI senza utilizzare dati di addestramento etichet- tati; dopo aver trovato queste strutture, eti- chettarle tramite algoritmi di backpropagation si rivela un compito relativamente semplice. Collegando gli strati pre-addestrati in questo modo, Hinton è stato in grado di implementare con successo esempi di reti profonde e dense, una pietra miliare verso ciò che ora è noto come Deep Learning . In seguito, è diventato possi- bile sostituire il pre-addestramento basato su RBM con altri metodi per ottenere le stesse prestazioni delle reti neurali artificiali pro- fonde e dense. ANN come potenti strumenti scientifici Sempre seguendo l’analisi del Comitato Nobel, osserviamo che se la fisica è stata una forza trai- nante nelle invenzioni e nello sviluppo delle reti neurali artificiali ora, al contrario, le reti neurali artificiali stanno svolgendo un ruolo sempre più importante come potenti strumenti per la model- lazione e l’analisi in quasi tutta la fisica. In alcune applicazioni, le ANN sono impiegate come approssimatori di funzioni , cioè sono utilizzate per fornire una copia del modello fisico in questione. Ciò può ridurre significa- tivamente le risorse computazionali richieste, consentendo così di sondare sistemi più grandi a una risoluzione più elevata. Sono stati otte- nuti progressi significativi in questo modo, per esempio per i problemi di meccanica quantistica a molti corpi: qui, le architetture di Deep Learning sono addestrate per ripro- durre le energie delle fasi dei materiali, nonché la forma e la forza delle forze interatomiche, con un’accuratezza paragonabile ai modelli di meccanica quantistica ab initio. Reti ricorrenti: (a sinistra) il modello di Hopfield; (al centro) la Macchina di Boltzmann; (a destra) la Macchina di Boltzmann ristretta (RBM) Rete feedward con due strati di nodi nascosti tra gli strati di input e output