L’intelligenza artificiale non è più soltanto un soggetto di film e libri, ma si diffonde in diversi ambiti, dalla pubblica amministrazione, all’industria, passando per arte, social network, ricerca e università. Nei vari ambiti riesce a risolvere dei problemi, svolgendo compiti specifici più velocemente e in maniera più efficiente dell’uomo. Nell’ultimo decennio ha iniziato ad avere un ruolo sempre più importante nella scienza e in astronomia. E in futuro permetterà agli astrofisici di poter sfruttare l’enorme mole di dati che i telescopi ci forniranno.
Cos’è l’intelligenza artificiale
L’intelligenza è quella capacità umana che consiste nell’acquisire nuove conoscenze, di usarle per elaborare dei dati e, infine, di organizzarle nel modo migliore per risolvere velocemente ed in maniera efficace una serie di problemi, anche diversi da quelli per i quali quelle conoscenze iniziali erano pensate. E cioè l’intelligenza consente all’uomo di adattarsi a situazioni ed eventi sempre nuovi, e influenza il modo in cui interpretiamo quello che vediamo e che sentiamo, il nostro linguaggio, ed in genere il modo in cui interagiamo col mondo.
Se aggiungiamo l’aggettivo artificiale, abbiamo quindi l’intelligenza artificiale (abbreviata spesso in IA) che è una disciplina che si occupa di realizzare macchine “pensanti”, e cioè intelligenti in senso ampio e quindi capaci di fare quello che può fare l’uomo. Scienziati e filosofi si sono chiesti se la macchina possa eguagliare o addirittura superare il ragionamento umano. E questo ha portato a due correnti di pensiero.
Intelligenza artificiale forte
I più ambiziosi, i fautori della cosiddetta Intelligenza artificiale forte, hanno pensato che l’IA possa essere non solo uno strumento dell’uomo, ma essa stessa mente, un qualcosa di originale, diventando in qualche maniera cosciente di sé, ragionando come un uomo. Se pensate a questo tipo di intelligenza pensate allo Skynet di Terminator, le macchine che distruggono il mondo, o Matrix, oppure a KITT, la macchina parlante di Supercar, il telefilm degli anni 80 con Michael Knight, il David Hasselhoff che poi diventerà il bagnino di Baywatch.
Intelligenza artificiale debole
Invece, ce ne sono altri che propendono per una IA debole, e cioè senza l’ambizioso obiettivo di replicare l’intelligenza umana, ma di creare macchine che agiscono come se avessero un cervello, non conoscendo i processi cognitivi umani, ma che riescono a risolvere problemi specifici, e solo quelli. Sono dei problem solver intelligenti.
Gli esempi più famosi di questa tipologia di intelligenza artificiale sono DeepBlue e AlphaGo, campioni artificiali di scacchi e Go, capaci di apprendere le regole del gioco e attuare le mosse meglio dell’uomo. Queste IA hanno sconfitto campioni umani. Questo tipo di tecnologia ha utilizzi in campi pratici, come ad esempio la guida automatica, oppure può essere messa al servizio della scienza e dell’astronomia, come vedremo di seguito.
Un concetto molto importante e anche abbastanza romantico è quello di “machine learning” e cioè “apprendimento automatico”, che è una branca dell’intelligenza artificiale, e che consiste nell’apprendimento della macchina attraverso l’esperienza.
Il telescopio: come è fatto, come funziona, quali sono i più diffusi e dove
L’intelligenza artificiale nell’astronomia, una crescita sbalorditiva
La necessità dell’intelligenza artificiale, in particolar modo nella scienza e nell’astronomia, nasce dal bisogno di analizzare enormi quantità di dati in maniera “intelligente”, approntando dei metodi automatici che riescano a fare quello che l’uomo può fare, ma in maniera più veloce ed efficiente, e anche “vedere” quello che l’uomo non può “vedere”.
Questa esigenza è aumentata anno dopo anno, decenni dopo decenni. E l’uso di questi strumenti è stato facilitato anche dalla nuove tecniche sviluppatesi e la nuova potenza di calcolo fornita da hardware moderno.
Per capire come è evoluto questo rapporto con l’astronomia negli anni, ho provato a cercare quanti articoli di astronomia pubblicati avessero nell’abstract la frase “machine learning” (“intelligenza artificiale” sarebbe stato troppo generale e forse troppo vago).
Ho fatto questa ricerca su ADS (Astrophysics Data System), che è una risorsa online che i ricercatori in astrofisica utilizzano per cercare gli articoli scientifici nel campo.
Prima del 2005 ho trovato poco più di 20 articoli di astronomia che hanno superato un processo di referaggio (peer-review), che contenevano “machine learning” nell’abstract, nei 10 anni successivi (2005-2015) sono saliti a quasi 300, e negli ultimi 8 anni siamo arrivati a circa 2300 articoli. Questo dimostra la crescita esponenziale che l’utilizzo di queste tecniche automatiche ha avuto nell’astronomia moderna.
Reti neurali artificiali
Nell’ambito del machine learning, una rete neurale artificiale (in inglese Artificial Neural Network, ANN) è un software che si ispira ad una rete neurale degli esseri viventi, cercando quindi di imitare il cervello umano (una semplice rete neurale è mostrata nell’immagine a destra, fonte: Wikipedia).
E’ composta da neuroni, e cioè da nodi interconnessi attraverso i quali avvengono delle specifiche operazioni, e ogni nodo avrà un peso maggiore o minore nello svolgimento dell’azione per la quale si sta usando la rete.
La rete è composta da vari strati di neuroni (layer), uno di input che riceve i dati iniziali, e uno di output che converte il processamento in un output (ad esempio fornendo in uscita una probabilità di riconoscimento di una forma in una immagine rispetto ad un’altra), e poi una serie di layer nascosti (hidden layer), all’interno dei quali avvengono una serie di operazioni sul dato di input.
Nel caso più semplice, il dato iniziale viene decomposto in varie componenti (relative ai vari nodi) e poi ricomposto per ottenere un output.
Si parla poi di Deep learning quando si hanno più layer (almeno 2 livelli nascosti): molti più dati hanno bisogno di un maggiore apprendimento, tutte queste computazioni sono possibili anche perché le prestazioni dei computer sono migliorate. Puoi pensare ad un nodo come una funzione matematica che prende un input e lo trasforma in qualcos’altro.
Se il neurone è un’unità di apprendimento, una funzione, poi la rete è un insieme di funzioni, i cui input e output sono legati gli uni agli altri, la rete è come una funzione composta. Una rete neurale prende dei dati, si addestra per riconoscere dei pattern all’interno di tali dati e fornisce e predice un output. Crea una regola e la applica a dati che non ha mai visto prima.
Reti neurali convoluzionali
Le reti neurali convoluzionali (Convolutional Naural Network, abbreviata in CNN o ConvNet) sono una particolare classe di reti neurali nate negli anni 80-90, in cui i la connessione tra i neuroni è ispirata alla corteccia visiva degli animali (un esempio di architettura di una CNN è mostrata nell’immagine a destra, fonte: Wikipedia).
Rispetto a reti normali, nei layer nascosti si effettuano delle operazioni di convoluzione. Si sono dimostrate efficacissime per riconoscere forme particolari all’interno di immagini. In una competizione internazionale per il riconoscimento delle immagini, la ImageNet Large Scale Visual Recognition Challenge (ILSVRC), le reti neurali convoluzionali hanno avuto successo in alcune edizioni.
Gli astrofisici si accorsero presto di queste potenzialità, e iniziarono ad utilizzare questi metodi per classificare le galassie. Nel 2015 Dieleman e collaboratori vinsero una challenge indetta da Galaxy Zoo (un progetto di citizen science, che chiede a persone comuni di classificare galassie) per classificare la morfologia delle galassie dalle immagini, e seguì un articolo di Huertas-Company e collaboratori dello stesso anno. I due gruppi usavamo reti neurali convoluzionali, che iniziarono ad avere sempre più consenso.
Tra i tanti campi anche l’astronomia
Queste tecniche automatiche vengono applicate in vari ambiti: dal banale riconoscimento delle immagini, o il lavoro che l’IA fa nei social per controllare post e video (meglio di moderatori umani, seppur con possibili falsi positivi), passando per il riconoscimento automatico di un discorso, la guida autonoma, fino alle diagnosi mediche, aiutando i medici ad individuare strutture o macchie nelle radiografie. In astronomia gli usi sono variegati.
Abbiamo già discusso l’uso che se ne fa come classificatori di immagini. Non posso dimenticare un caso a me molto caro, noi utilizziamo reti neurali convoluzionali per cercare lenti gravitazionali nelle immagini astronomiche (il nostro primo articolo è stato Petrillo et al. 2017).
Le lenti gravitazionali sono delle galassie, dette lenti, che con il loro campo gravitazionale distorcono le immagini di galassie più lontane, che appaiono nelle immagini come archi, anelli e immagini multiple attorno alla lente. Ne puoi sapere di più leggendo questo articolo o guardando questo video di un mio seminario online. Ne scriverò in futuro.
Ma già da svariati anni le reti neurali vengono usate per determinare la distanza delle galassie o con più precisione il redshift cosmologico. L’universo è in espansione, e le sorgenti si stanno allontanando, la lunghezza d’onda della luce emessa da queste subisce uno spostamento verso il rosso, e attraverso la misura di questo spostamento vero il rosso (appunto redshift), si sa quanto distanti sono queste sorgenti.
Fotografia del buco nero: così supercomputer e intelligenza artificiale supportano l’astronomia
Queste tecniche si stanno usando anche per distinguere stelle da galassie. A causa della rifrazione dovuta all’atmosfera terrestre (seeing atmosferico), l’immagine delle sorgenti che osserviamo da Terra sono sbrodolate, e quindi non è sempre semplice distinguere una stella da una galassia lontana.
Molto spesso, in campi molto densi, pieni di stelle e galassie, sorgenti varie sono sovrapposte, il machine learning ci può aiutare a separarle. Ritornando alle galassie, usiamo le reti neurali anche per determinarne la forma e le dimensioni.
Ma possono essere usate per eliminare il rumore dalle immagini astronomiche, per classificare qualsiasi tipo di sorgente astronomica (siano esse stelle, galassie o altro) attraverso l’analisi degli spettri emessi da tali sorgenti, e ancora per cercare nuovi pianeti, in cosmologia, nelle simulazioni di galassie e anche nel campo emergente delle onde gravitazionali.
Il futuro
Questi strumenti permettono agli astrofisici di fare il loro lavoro in maniera estremamente più veloce e più efficiente. E l’enorme mole di dati che abbiamo ottenuto o che stanno arrivando e che arriverà da telescopi futuri non può che avere una estrema necessità di queste tecniche (leggi un articolo specifico sui telescopi qui).
Il satellite GAIA ha misurato le proprietà di miliardi di stelle, Euclid e il telescopio Vera Rubin osserveranno 1/3 dell’intera volta celeste, e quindi svariati miliardi di galassie e decine di migliaia di lenti gravitazionali. Tutta la comunità astronomica si è accorta di queste potenzialità, l’intelligenza artificiale è uno strumento fondamentale per farsi trovare preparati per le sfide future che ci metterà davanti l’Universo.
