Gli scienziati dell’EPFL hanno sviluppato un sistema di reti neurali in grado di fornire una migliore comprensione di come gli animali adattano i loro movimenti ai cambiamenti del proprio corpo e di creare sistemi di intelligenza artificiale più potenti.
L’apprendimento profondo è stato alimentato dalle reti neurali artificiali, che sovrappongono semplici elementi di calcolo per creare potenti sistemi di apprendimento. Con un numero sufficiente di dati, questi sistemi possono risolvere compiti difficili come riconoscere oggetti, battere gli esseri umani a una partita di go e pilotare robot. "Come si può immaginare, il modo in cui si sovrappongono questi elementi può influenzare la quantità di dati da apprendere e le prestazioni massime che si possono ottenere", spiega Alexander Mathis, professore presso la Facoltà di Scienze della Vita dell’EPFL.
In collaborazione con i dottorandi Alberto Chiappa e Alessandro Marin Vargas, lo scienziato ha sviluppato una nuova architettura di rete chiamata DMAP (Distributed Morphological Attention Policy). Integra i principi fondamentali del controllo sensomotorio biologico, il che lo rende uno strumento interessante per lo studio della funzione sensomotoria.
Il problema che il DMAP cerca di risolvere è che non solo gli animali ma anche gli esseri umani si sono evoluti per adattarsi ai cambiamenti dell’ambiente e del proprio corpo. Ad esempio, un bambino può adattare la sua capacità di camminare in modo efficiente al variare della forma del corpo e del peso dall’infanzia all’età adulta, e farlo su diversi tipi di superfici. Per sviluppare il DMAP, il team ha studiato come un animale possa imparare a camminare quando il suo corpo è soggetto a queste "perturbazioni morfologiche", ossia a cambiamenti nella lunghezza e nello spessore delle parti del corpo.
"Nell’apprendimento per rinforzo, le cosiddette reti neurali completamente connesse vengono utilizzate per apprendere le abilità motorie", spiega Alexander Mathis. L’apprendimento per rinforzo è un metodo di formazione per l’apprendimento automatico che "premia" i comportamenti desiderati e/o "penalizza" quelli indesiderati.
Continua: "Immaginate di avere dei sensori che valutano la configurazione del vostro corpo, ad esempio gli angoli del polso, del gomito o della spalla. I segnali provenienti da questi sensori rappresentano l’ingresso al sistema motore. L’uscita rappresenta le attivazioni muscolari, che generano coppie. Se utilizziamo reti completamente connesse, allora, ad esempio, tutti i sensori del corpo sono integrati nel primo livello. In biologia, invece, le informazioni sensoriali sono combinate in modo gerarchico".
"Abbiamo preso i principi delle neuroscienze e li abbiamo applicati a una rete neurale per progettare un sistema sensomotorio migliore", spiega Alberto Chiappa. Nel loro lavoro, pubblicato alla 36a Conferenza Annuale sui Sistemi di Elaborazione dell’Informazione Neurale (NeurIPS), i ricercatori presentano il DMAP, che "combina l’elaborazione propriocettiva indipendente, un metodo di dispacciamento con controllori individuali per ogni articolazione e un meccanismo di attenzione, per trasmettere dinamicamente le informazioni sensoriali da diverse parti del corpo a diversi controllori".
Il DMAP è stato in grado di imparare a "camminare" con un corpo sottoposto a perturbazioni morfologiche, senza ricevere informazioni su parametri morfologici come lunghezze e larghezze specifiche degli arti. Il modello può "camminare" come un sistema che ha accesso a questi parametri corporei.
"Così abbiamo creato un sistema di apprendimento per rinforzo utilizzando le nostre conoscenze di anatomia", spiega Alberto Chiappa. "Dopo aver addestrato questo modello, abbiamo notato che mostrava un innesco dinamico che ricordava quello che avviene nel midollo spinale ma, curiosamente, questo comportamento appariva spontaneamente".
Nel complesso, modelli come il DMAP svolgono due ruoli: sviluppare migliori sistemi di intelligenza artificiale basati sulla conoscenza biologica e, viceversa, creare modelli migliori per comprendere meglio il cervello.
NeurIPS è una delle principali conferenze sull’apprendimento automatico. Molti altri laboratori dell’EPFL presentano i loro ultimi lavori.
RiferimentiAlberto Silvio Chiappa, Alessandro Marin Vargas, Alexander Mathis. DMAP: una politica di attenzione morfologica distribuita per l’apprendimento della locomozione con un corpo che cambia. NeurIPS dicembre 2022. DOI: 10.48550/arXiv.2209.14218
