Le reti neurali artificiali sono prototipi matematici, costituiti da neuroni artificiali, che si ispirano al funzionamento biologico del cervello umano o animale e alle loro reti neurali biologiche. Le reti neurali artificiali si applicano al campo dell’ingegneria per la risoluzione delle problematiche legate all’Intelligenza Artificiale (informatici, elettronica, simulazione…).
Le reti neurali, un po’ di storia
I primi studi nel settore delle reti neuronali risalgono al 1943, quando Warren Sturgis McCulloch e Walter Pitts tentarono la progettazione di un neurone artificiale, a partire da un “combinatore lineare a soglia”. Si trattava di un particolare sistema, dove il livello di ingresso permetteva l’entrata di dati binari multipli e in uscita un unico dato binario. Mescolando tra loro questi elementi, si arrivava alla strutturazione della rete neurale, che dimostrò abilità nel risolvere funzioni matematiche, caratterizzate da due variabili (in informatica 1 e 0).
Nel 1958, Frank Rosenblatt lanciò il primo modello di rete neurale, l’antenato delle moderni reti neurali, denominato Perceptron. Esso era costituito da una rete che presentava un livello di ingresso e di uscita, guidato da una regola di istruzione, che si basava sull’algoritmo “error back – propagation. Questo algoritmo riduceva la probabilità di errori. Dopo una fase di stasi, nel 1986 David Rumelhart lanciò il terzo strato delle reti neurali.
Egli indicò i modelli di apprendimento per istruire le reti Multi – Layers Perceptron, che rappresentava un percettrone a più strati e presentò l’algoritmo di retro propagazione dell’errore. Esso permetteva di ottenere la soluzione più corretta, perché molto simile a quella che si desidera. Verso la fine degli anni ’80 la scoperta di processori e di chip all’avanguardia ha permesso importanti passi in avanti nei settori delle analisi e delle simulazioni.
La struttura delle reti neurali artificiali
Le reti neurali artificiali sono formate da modelli, caratterizzati da uno stretto legame di informazioni. Questo legame è permesso dalla presenza di neuroni artificiali e procedure di calcolo, che trovano la loro impostazione nel modello delle scienze cognitive. Questo modello prende il nome di connessionismo, perché questi modelli di calcolo si basano sul Parallel Distributed Processing (PDP), cioè l’organizzazione delle informazioni secondo il parallelismo distribuito.
Questa particolare elaborazione permette di sviluppare i calcoli in successione, mentre i dati sono conservati in una memoria centrale. Il funzionamento delle reti neurali si collega ai sistemi esperti, applicazioni che fanno parte dell’ambito dell’Intelligenza Artificiale, perché restituiscono in modo artificiale le performance di una persona che mostra abilità particolari in uno specifico settore di competenza.
Una rete neurale è caratterizzato dalla presenza di un sistema adattivo, capace di cambiare i nodi e le interconnessioni, che sono gli elementi della sua configurazione. Questo sistema adattivo fa affidamento a dati che provengono dall’esterno e ad informazioni che si dispongono dall’interno. Dati ed informazioni si legano tra loro nel corso dell’apprendimento e del ragionamento, grazie alla rete neurale.
Le reti neurali si presentano come configurazioni non lineari, costituite da informazioni statistiche, che si organizzano attraverso strumenti di modellazione, poiché gli stimoli esterni si organizzano su uno strato di nodi, chiamati nodi in ingresso. Ognuno di essi si collega ai nodi interni della rete. Questi si organizzano su più strati, perché ogni nodo possa elaborare gli stimoli ricevuti, comunicando poi agli strati successivi quanto ottenuto dalle sue elaborazioni. Si tratta di informazioni più strutturate e precise.
I tre strati delle reti neurali artificiali
Ogni rete neurale è formato da tre strati:
1. Strato degli ingressi, chiamato anche I – Input, che riceve il segnale in entrata e lo adatta a quanto viene richiesto dai neuroni della rete;
2. Lo strato nascosto, denominato anche H – Hidden, che si occupa dell’elaborazione e può essere formato da più livelli di neuroni;
3. Lo strato di uscita o anche O – Output, che ospita le elaborazioni realizzate dallo strato H ed adatta i risultati ottenuti a quanto viene richiesto dal livello successivo.
Le reti neurali devono essere allenate ed istruite, perché l’intero procedimento di elaborazione dia i giusti risultati, e sappiano come affrontare la risoluzione di un problema ingegneristico, qualora si presenti. L’istruzione delle reti neurali finalizzata al loro allenamento qualora debbano risolvere questioni ingegneristiche rilevanti si connette al Machine Learnig.
Esso si basa su speciali algoritmi in grado di usare l’esperienza come terreno di apprendimento, facendo ricorso a procedure matematico – computazionali. L’acquisizione delle conoscenza avviene in modo automatico e adattivo. Nei moderni laboratori sono già in fase di sperimentazione e studio il quantum computing e i chip neuromorfici, che imitano il funzionamento del cervello umano.