blogtecaolivelli

Reti neurali e memoria dinamica per un computer

Un nuovo computer che combina le reti neurali

e un'architettura della memoria tipica dei

computer convenzionali è in grado di imparare

da esempi o per tentativi ed errori, e anche

eseguire complesse elaborazioni, due capacità

che finora sembravano alternative(red)

computer science

Un computer che coniuga la capacità di apprendimento

 delle reti neurali e l'efficienza e la flessibilità

di calcolo dei normali computer digitali è stato

realizzato per la prima volta da ricercatori di

Google DeepMind - l'azienda informatica

britannica DeepMind acquistata da Google

nel 2014 - che ne descrivono le caratteristiche

in un articolo pubblicato su "Nature".

I computer convenzionali sono in grado di

elaborare forme complesse di dati, ma richiedono

una puntuale programmazione manuale per

eseguire queste attività.

Le reti neurali artificiali sono state sviluppate

per mimare la capacità di apprendimento del

cervello grazie all'identificazione, a partire da

una serie di esempi, di specifici modelli nei dati:

invece di essere programmata una rete neurale

è addestrata, per esempio a riconoscere oggetti o facce.

Finora lo sviluppo di queste due architetture

computazionali ha viaggiato su due strade ben

distinte, a causa di una radicale differenza

nell'organizzazione della loro memoria.

L'efficienza del nuovo computer è stata testata

controllandone la capacità di orientarsi nella

metropolitana di Londra.

(Macdiarmid/Getty Images)

I computer convenzionali separano il calcolo e la memoria.

I calcoli sono eseguiti da un processore, che può

sfruttare una memoria indirizzabile per portare i

diversi valori da usare nell'area di lavoro e poi

ricollocarli nello spazio di memoria.

Questa soluzione offre due vantaggi: da un lato

la memoria può essere estesa a piacimento per

inserire nuove informazioni, e dall'altro i suoi c

ontenuti possono essere trattati come variabili.

Per eseguire una stessa elaborazione su un dato

o su un altro diverso, è sufficiente cambiare

l'indirizzo di memoria del dato da trattare.

In una rete neurale artificiale, invece, le risorse

computazionali e quelle di memoria sono mescolate

l'una all'altra dall'attribuzione del "peso" che la rete

dà a ciascun dato mentre tenta di identificare

schemi nell'insieme di informazioni ricevute.

Questo rende le reti neurali adatte a simulare

le capacità di apprendimento umane, ma non

permette un'archiviazione dinamica, indipendente

dallo stato della rete, di nuove informazioni e,

dunque di eseguire algoritmi che agiscono allo

stesso modo indipendentemente dai valori

delle variabili usate.

Ora Alex Graves, e colleghi sono riusciti a

sviluppare quello che hanno chiamato computer

neurale differenziabile (DNC), che coniuga la

capacità di imparare da esempi o per tentativi

ed errori, e una struttura di memoria esterna

simile a quella di un computer convenzionale.

I ricercatori hanno mostrato che DNC "comprende"

bene complesse strutture grafiche come gli alberi

genealogici o filogenetici, o le reti di trasporto,

riuscendo, per esempio, a pianificare il percorso

migliore sulla metropolitana di Londra senza avere

preventivamente una conoscenza di quella rete di

trasporto.