Un post singolare

Potreste aver sentito che un buco nero “è una singolarità”. Se vi interessate di intelligenza artificiale, invece, potreste conoscere La Singolarità di quando verremo sorpassati dai robot. Perciò… ehm… robot dentro i buchi neri? In realtà ha tutto senso.

Continua a leggere

Il computer che impara la metropolitana

Come si va dalla stazione di Moorgate a Piccadilly Circus a Londra?

Here, let me help you.

Ecco la mappa: calcolate!

Sembrerà facile (oppure no? la metro di Londra è intricata), ma è una domanda praticamente impossibile per un’intelligenza artificiale. O almeno lo era prima che Google DeepMind (che impiega più di qualche fisico) sguinzagliasse il suo Differentiable Neural Computer (DNC). Secondo gli scienziati di DeepMind, le reti neurali sono bravissime a riconoscere schemi e calcolare la cosa migliore da fare in una data situazione (come ha fatto il loro AlphaGo). Però non sono capaci di mettere assieme sequenze complesse di azioni perché non sanno ricordare.

dnc-cover-image-002-width-1500

Una rappresentazione del DNC: la rete neurale al centro raccoglie i dati che arrivano da sinistra, li immagazzina a destra dove può collegarli con altri che aveva già. Poi può combinarli per produrre la risposta (in basso). Credit: DeepMind

tumblr_nklw7hj3o51t55xupo1_400Volendo potremmo immaginare i dati come ingredienti e la rete neurale come un cuoco un po’ limitato, che può lavorarci solo in sequenza. Perciò non può preparare la pasta per una crostata e metterla da parte mentre fa il ripieno. Chef DNC invece sì: mette la pasta in memoria, fa il ripieno poi finisce.

Anche se non ce ne rendiamo conto, quando pianifichiamo un viaggio in metro immagazziniamo, rielaboriamo e colleghiamo informazioni di continuo. Ad ogni fermata dobbiamo decidere: rimaniamo sulla linea? scendiamo? cambiamo? Poi dobbiamo tener a mente da dove venivamo, dove siamo, e dove stiamo andando. E DNC fa proprio così.

Capirai—si dirà—ci sono app della metro navigatori che lo fanno da anni! Vero, e probabilmente lo fanno meglio. Però sono stati programmati apposta per quello e non sanno fare altro.

DNC no: ha imparato a calcolare percorsi, iniziando da gruppi di punti connessi a caso (grafi, se vogliamo esser pomposi). Una volta memorizzate le diverse connessioni (chi è collegato con chi, in che modo), gli veniva chiesto di calcolare il percorso più breve tra due punti e, di volta in volta, gli si diceva se la risposta era corretta.

graph

Un esempio di punti connessi a caso, tipo quelli con cui si è allenato DNC—solo quelli erano molto più complicati!

Una volta imparato, DNC è riuscito a gestire la mappa della metro di Londra—che assomiglia molto ad un grafo casuale—, ma potrebbe guidarci altrettanto facilmente sui mezzi pubblici di Milano, o pianificare la soluzione ad un piccolo puzzle o rispondere domande complicate su alberi genealogici.

Questo video, ad esempio, mostra DNC che memorizza le connessioni in una famiglia (chi è figlio o fratello di chi) e poi risponde alla domanda “chi è il prozio materno di…?” Ammetto di averci messo un pochino per interpretare la domanda. E sono un umano ragionevolmente competente: provate a chiederlo al vostro navigatore satellitare!

Spesso in intelligenza artificiale, non è importante cosa sappia fare il computer, quanto cosa possa imparare. E DNC ha dimostrato di poter imparare un sacco!

 

Foto copertina: I think we got out at the wrong station, CC-BY-NC-ND The Hamster Factor, via Flickr. Some rights reserved.

Per saperne di più
  • L’articolo su Nature dove viene presentata la scoperta, con dettagli in più su com’è fatto DNC e com’è stato addestrato.
  • Un post sul blog di DeepMind che, in parole più semplici, presenta DNC
  • Volete vedere DNC che risolve uno tra tanti compiti su un piccolo puzzle? eccovi serviti con un video!

Come funziona un computer quantistico

Probabilmente avete già sentito parlare di computer quantistici. Il vantaggio di leggere la spiegazione qui invece che sentirla da persone molto più affascinanti di me è che non ci sono occhi blu in cui perdersi.

Come dice giustamente il buon Justin, i computer quantistici non usano i normali bit, niente lunghe serie di 0 e 1. Al loro posto usano degli oggetti chiamati quantum bit, o qubit, che possono trovarsi in stati di sovrapposizione, possono essere 1 e 0 contemporaneamente.

L’idea è un po’ la stessa del gatto di Schrödinger che, finché non viene osservato, resta sia vivo che morto.

Il Prof. Andrea Morello dell’Università del New South Wales (Australia), spiega in un’intervista su Veritasium uno dei grandi vantaggi di usare i qubit: immagazzinare informazione in modo efficiente.

Due bit, dice Morello, possono avere quattro combinazioni di valori: 00, 01, 10, 11 e per descriverli sono necessari—spoiler—due bit (il valore del primo e quello del secondo).

Anche due qubit hanno quattro combinazioni. Se andassimo a misurarli, però, li troveremmo ogni volta un diverso in una diversa, e la probabilità di ognuna dipende da come abbiamo costruito la sovrapposizione. Per descrivere la sovrapposizione, quindi, ci serve sapere ciascuna delle probabilità, quindi 4 numeri*.

Sintetizzando, la quantità di informazione nei bit normali aumenta in proporzione a quanti ne usiamo, mentre quella nei qubit aumenta esponenzialmente. Mica male.

Un altro vantaggio dei computer quantistici è che possono manipolare la sovrapposizione stessa, senza misurare i qubit fino alla fine del calcolo. In questo modo possono usare tutte le combinazioni contemporaneamente e portare avanti molte operazioni in parallelo.

Questa abilità è inutile per gli usi quotidiani, ma aiuterebbe molto alcuni calcoli complessi, ad esempio, per capire come si ripiegano le proteine, che è fondamentale per scoprire nuove medicine. Per farlo, però, bisogna calcolare una dopo l’altra tutte le miriadi di combinazioni possibili, che è difficilissimo. I computer quantistici potrebbero simulare tutte le configurazioni in parallelo, sveltendo di molto l’operazione.

In teoria sappiamo praticamente tutto: come manipolare i qubit, che struttura devono avere i circuiti, come devono essere programmati i computer. Costruirli davvero, mettere insieme più di un paio di qubit sembra ancora molto molto complicato (nonostante notevoli recenti passi avanti).

Almeno per ora, tra il dire e il fare…

 

Credit: stefanieshank.tumblr.com

 

*Nota per attenti alla matematica:

Avrete notato che le probabilità devono sommare a 1, perciò si eliminerebbe uno dei numeri necessari per descrivere la sovrapposizione. Non me lo sono dimenticato, ma ho saltato l’argomento per brevità, semplicità e coerenza con quello che dice Morello nell’intervista. Resta il fatto che l’informazione contenuta nei qubit è esponenziale nel loro numero che sia 2^n o 2^n -1 bit.

 

Foto copertina: CC0 Wokandapix/pixabay.com

Con la citizen science tutti aiutiamo la ricerca

Nel 2000 ho fatto parte del più grande progetto di calcolo del mondo, aiutando a cercare segnali di vita intelligente nell’universo. Stavo iniziando il liceo. Tutto quello che ho dovuto fare è stato scaricare il salvaschermo SETI@home.

Scaricando il salvaschermo, mi sono preso un pacchetto di dati, che il mio computer analizzava quando non lo usavo. I dati venivano dal radiotelescopio di Arecibo (Puerto Rico), che scandaglia continuamente il cielo alla ricerca di possibili segnali da civiltà aliene, ma produce dati più velocemente di quanto si possano analizzare. Perciò i ricercatori hanno creato il salvaschermo, ottenendo l’aiuto di migliaia di nuovi computer.

Niente alieni. Ma il progetto continua ancora, con più di 120 mila utenti attivi.

La schermata di SETI@home. Credit: NASA

SETI@home è solo un esempio di citizen science: progetti scientifici che escono dai laboratori e si fanno aiutare dal grande pubblico. Analizzare le montagne di dati di Arecibo, infatti, non richiede competenze specifiche, ma solo tantissime persone e tempo.

Altri problemi, invece, sono troppo complessi anche per i migliori computer.

Ad esempio, sappiamo (in teoria) come si ripiegano le proteine, ma spesso le molecole sono troppo grandi e complicate da simulare esattamente. D’altra parte, però, anche differenze minime nella struttura possono avere grandi effetti sulla loro funzionalità.

Serve una soluzione creativa. Fortunatamente, gli umani ne trovano più dei computer. Per questo l’Università di Washington ha chiesto aiuto al pubblico, e l’ha fatto con lo strumento più coinvolgente possibile: un videogioco.

Sì chiama foldit ed è scaricabile gratuitamente dal sito dell’università. Lo scopo è ripiegare proteine virtuali, che però seguono le stesse regole di quelle reali. Più stabile è la conformazione che si trova più punti si fanno. Nel 2012, i partecipanti hanno trovato in poche settimane un indizio chiave per capire la struttura di un enzima coinvolto nella riproduzione dell’HIV, con cui gli scienziati si scontravano da anni.

Una schermata di Quantum Moves

Più di recente si è parlato di un nuovo gioco: Quantum Moves. Sviluppato in Danimarca, è disponibile per Windows, Mac, iOS e Android. Lo scopo del gioco è trasportare una specie di strano liquido da un punto all’altro sullo schermo. In realtà, stiamo facendo il lavoro di un tipo di computer quantistico, che calcola spostando singoli atomi da un posto ad un altro. Per giocare, però, non serve sapere nulla di meccanica quantistica: basta uno smartphone e pazienza.

Gli scienziati hanno già pubblicato sulla prestigiosa rivista Nature che i giocatori hanno risolto alcuni dei problemi più efficientemente dei migliori algoritmi, fornendo indicazioni fondamentali per migliorarli.

La citizen science, quindi, crea non solo risultati concreti, ma anche entusiasmo per la ricerca, sui temi più disparati. Per prendervi un posto nella prossima grande scoperta basta una veloce ricerca su google!

 

Foto copertina: CC0 pixabay.com

Come vediamo noi e come vedono i computer

Vi sarà bastato un dettaglio per capire che la foto di copertina è di un’auto. I computer non sono altrettanto capaci. Saranno pure capaci di batterci a Go, ma le macchine hanno difficoltà a distinguere gli oggetti nelle immagini.

Secondo i ricercatori del Weizmann Institute in Israele, il nostro vantaggio è che il cervello coglie singoli dettagli e dà un senso al resto.

I ricercatori hanno messo alla prova questa abilità mostrando diverse foto, spesso sgranate, a migliaia di volontari. Sorprendentemente, dice Shimon Ullman, “Se un’immagine minima perde anche pochissimo dettaglio, tutti improvvisamente perdevano l’abilità di riconoscere l’oggetto”. Nelle foto qua sotto, per esempio, la percentuale passa da oltre il 70% ad a malapena il 20%.

Piccole differenze tra le immagini della riga sopra e quella sotto cambiano moltissimo la possibilità di riconoscere cosa rappresentano (i numeri). Credit: Weizmann Institute

Secondo i ricercatori, questo significa che c’è una quantità minima di informazione che un’immagine deve contenere perché un cervello possa capire di cosa si tratta.

Meglio capiamo come funzionano i complicati processi visivi del cervello, migliori sistemi di visione artificiale possiamo progettare.

Ad esempio, migliorando la vista nelle auto che si guidano da sole.

 

Foto copertina: CC0 Alain Willenmart, via unsplash

C’è un’app per rilevare i terremoti?

Una nuova app, sviluppata all’Università della California a Berkeley trasforma lo smartphone in un un rilevatore di terremoti.

Gli smartphone decidono se ruotare il display in orizzontale o in verticale a seconda di come li stiamo tenendo. Per capirlo usano un sensore, detto accelerometro, che può anche essere usato per capire se qualcosa sta scuotendo il telefono. Può darsi che sia perché ci è caduto, o perché stiamo camminando, ma potrebbe anche darsi che c’è un terremoto.

I ricercatori californiani, in collaborazione con Deutsche Telekom, hanno sviluppato l’app MyShake, che distingue diversi tipi di scossoni. Se pensa di aver trovato un terremoto, attiva brevemente il GPS e manda coordinate ed intensità della scossa ai ricercatori, che confrontano i dati con quelli dei loro strumenti.

Gli smartphone non possono competere con la precisione degli strumenti scientifici, ma sono molti di più. Secondo Richard Allen, direttore del progetto,”MyShake può rendere l’allerta terremoto più rapida e accurata in aree dove c’è una rete ufficiale di rilevatori, e salvare vite dando l’allarme in zone dove questa rete non c’è”.

 

Foto copertina: CC0 Thom, via unsplash.

Perché i computer imparano Go

Due avversari si affrontano in un antico gioco di strategia. Solo uno dei due è una persona, e non è quello che vince. La storia di AlphaGo ha girato parecchio. Ma perché è così importante?

Breve ripasso: Go è un gioco da tavolo cinese. La sua particolarità è che ha un’enormità di possibili mosse e contromosse che lo rendendo ingestibile, anche per un computer.

AlphaGo è un’intelligenza artificiale creata apposta da DeepMind (una divisione di Google). Il suo successo (ha strabattuto 5-0 il campione europeo), è anche il primo di un computer su un giocatore esperto.

 

 

Un computer che sa giocare a Go, di per sé, non è molto utile. Ma i giochi da tavolo hanno molto in comune con la vita reale: presentano decisioni difficili, ognuna con pro e contro, costi e benefici da valutare.

Allo stesso tempo, sono un ambiente ben controllato e definito, con un numero limitato di mosse, strategie e situazioni possibili. In pratica, imparare un gioco è un banco di prova per prendere decisioni nel mondo reale.

Per i computer è anche meglio: mentre per noi umani imparare è naturale, loro devono imparare a farlo. AlphaGo, ad esempio, non è stato programmato specificatamente per giocare a Go, bensì per osservare le partite e imparare le strategie migliori. Sottoponendogli un altro gioco o un altro problema, può usare sistemi simili e velocemente imparare a risolvere anche quello.

Computer che avevano imparato poker o quiz televisivi, ad esempio, ora aiutano diagnosi mediche. Google vuole usare AlphaGo per “affrontare grandi problemi come il cambiamento climatico o diagnosi di malattie complesse”.

Prima di salvare il mondo, però, probabilmente lo useranno per cose davvero importanti: trovarci più video pucciosi.

 

Foto copertina: from above, CC-BY-NC tommpouce, via Flickr. Some rights reserved.

Imparare ad impararare

Anche se i computer sono più efficienti a risolvere problemi, noi umani rimaniamo imbattibili per la velocità a cui impariamo. Capendo come facciamo, potremmo sviluppare sistemi per insegnare più efficaci ed aiutare meglio ragazzi con difficoltà di apprendimento.

Tre scienziati del MIT e delle Università di New York e Toronto hanno creato un programma che impara da pochissimi esempi a scrivere singole lettere di vari alfabeti. Secondo i ricercatori, questo corrisponde a come impariamo noi.

L’algoritmo programma da sé un catalogo di movimenti da far fare ad una penna virtuale. Quando gli viene mostrata una nuova lettera, cerca nel catalogo quali movimenti potrebbero produrla e così impara a scriverla, anche dopo averla vista pochissime volte. In questo modo il computer non deve imparare un nuovo concetto ogni volta che vede una variazione della stessa lettera.

In pratica, il computer impara ad “usare la conoscenza acquisita apprendendo alcuni concetti per apprenderne di nuovi”, dice Brendan Lake, uno degli autori. In altre parole, dicono, l’algoritmo impara ad imparare.

Foto: Learn, CC-BY GotCredit, via Flickr. Some rights reserved.

Back in black

Il futuro dell’elettronica è nero. Nero come il fosforo che, secondo uno studio, permetterebbe di costruire processori estremamente efficienti.

Chiunque se ne sia stato comodo sul divano con un portatile sulle gambe si sarà accorto di quanto si scaldi. La temperatura dei processori, infatti, è un problema per tutta l’elettronica, dai supercomputer agli smartphone. Il fosforo nero potrebbe essere la soluzione.

Gli scienziati del Lawrence Berkeley National Laboratory, negli Stati Uniti, hanno preparato fosforo nero in particolari nanostrutture (dette nanoribbons) ed hanno osservato che, spontaneamente, conduce elettricità lungo una direzione e calore lungo un’altra.

Questo comportamento estremamente inusuale—di solito elettricità e calore vanno a braccetto—dipende solo dalla forma dei cristalli nei nanoribbons. Secondo, Junqiao Wu, coordinatore dello studio, sfruttare questa proprietà permette di “gestire efficientemente il calore, ridurre le temperature ed aumentare le prestazioni dei chip”.

Foto: Circuit City 6, CC-BY-NC-ND Leo Lambertini, via Flickr. Some rights reserved.

Salto di livello per i computer quantistici

Come il celebre gatto di Schrödinger, anche i computer quantistici erano sia tra noi che no allo stesso tempo. Sapevamo tutto della teoria, ma non riuscivamo a costruirli. Ma questo potrebbe cambiare presto.

I ricercatori della University of New South Wales, in Australia hanno creato il primo gate logico in silicio per qubit. In altre parole, il primo pezzettino di un processore quantistico (i qubit sono l’equivalente quantistico dei nostri bit).

Il fatto che sia in silicio “rende la costruzione di un computer quantistico molto più fattibile”, ha detto Andrew Dzurak, coordinatore del gruppo, “perché è basato sulla stessa tecnologia produttiva dell’attuale industria elettronica”.

I computer quantistici sono enormemente superiori quando si tratta di fare molti calcoli in una volta, ma non sempre. Per gli usi quotidiani i computer classici sono probabilmente meglio.

Ma la ricerca di medicinali e materiali nuovi, per fare due esempi, farà passi da gigante.

Foto: Vintage Technology, CC-BY-NC Jeremy Brooks, via Flickr. Some rights reserved.