Post di Alessandro Cappelletti

L'intelligenza si sa, risiede nel cervello, la dimora di noi stessi e della nostra mente. E' possibile costruire un modello matematico del cervello? La risposta ancora è ambigua e vedremo in futuro cosa accadrà, tuttavia: Inizia quì una piccola serie di video sul mondo delle reti neurali e dell'intelligenza artificiale, argomento di spicco del nostro tempo. La storia è figlia del '900 ma ci sono dei momenti chiave, come l'idea di Alan Turing dell'"intelligenza meccanica" o altre vicende interessanti legate allo sviluppo storico dei calcolatori. Qui partiremo dall'idea di costruire un Neurone Artificiale o Formale, che fu ideato da due signori: McCulloch e Pitts neurofisiologo e matematico, i quali individuarono le caratteristiche principali che un neurone giocattolo deve possedere; come la scarica, le sinapsi e l'attivazione. Vedremo come funziona questo semplice meccanismo alla base della nostra mente... e forse di una mente artificiale. #artificialintelligence #intelligenzaartificiale #neuralnetworks #neurone #cervello #matematica #yousciences #doctorgiux #giux

https://lnkd.in/dUpSvNhr Il Mondo delle Reti Neurali è ricco di sorprese entusiasmanti! La scoperta del neurone formale ha portato al concetto di rete neurale. Una rete neurale o neuronale è un insieme di neuroni interconnessi che si scambiano informazione. Esistono diverse tipologie di reti: ricorrenti, a convoluzione; le più semplici sono le feed-forward in cui il flusso delle informazioni percorre i livelli in un sol verso dall'input all'output: Parleremo della struttura di una rete neurale, dei livelli, degli archi e dei nodi e vedremo come trattare matematicamente le reti con il linguaggio delle matrici. E per restare in tema attuale, non è un caso che Il premio Nobel per la Fisica 2024 è stato assegnato a John J. Hopfield e Geoffrey E. Hinton per le scoperte che hanno reso possibile il machine learning! #neuralnetworks #retineurali #intelligenzaartificiale #neuroscience #yousciences #doctorgiux #scienza #machinelearning #machine #giux #nobelprize

Circuiti neurali ispirati al cervello: un passo avanti verso un'AI efficiente Un team di ricercatori dell'Università Tsinghua ha fatto un significativo passo avanti nello sviluppo di un’intelligenza artificiale energeticamente efficiente, introducendo un circuito neurale dendritico artificiale ispirato al cervello. La maggior parte delle tecnologie attuali imita l’attività elettrica dei neuroni, trascurando la struttura neurale complessiva e il loro ruolo nell'elaborazione delle informazioni. Questo nuovo sistema artificiale, presentato su Nature Electronics, replica l'organizzazione delle sinapsi e la struttura ramificata dei dendriti. Il nuovo dispositivo, chiamato "dendristor", imita i calcoli dei dendriti sfruttando le proprietà fisiche di transistor multi-gate rivestiti con un film sol-gel drogato con ioni. Questo film replica i rami dendritici, consentendo agli ioni di muoversi in modo simile ai dendriti neuronali, modulando la corrente del transistor per riflettere i cambiamenti nel potenziale di membrana dendritica. La maggior parte della ricerca sul computing neuromorfico si è concentrata sulla riproduzione dei processi sinaptici legati all'apprendimento e alla generazione di impulsi neuronali, spesso modellando i dendriti come semplici linee di trasmissione, ignorando le loro funzioni morfologiche. Riproducendo fedelmente la connettività dei neuroni dendritici, il nuovo approccio neuromorfico ha dimostrato notevoli efficienze energetiche. Questo sistema mostra il potenziale per rilevare il movimento utilizzando meno neuroni rispetto alle reti neurali artificiali esistenti. Il vantaggio chiave di questa nuova architettura è che va oltre la semplice replicazione degli aspetti funzionali dei neuroni biologici. A differenza di altre piattaforme neuromorfiche, riproduce anche la struttura e la connettività sparsa dei neuroni, inclusa la morfologia dei dendriti e le basi delle sinapsi silenziose. Questo studio è il primo a dimostrare che la posizione spaziale delle sinapsi inibitorie e silenziose può controllare l'elaborazione dei segnali nei sistemi neuromorfici. I recenti sforzi di questo team di ricerca potrebbero aprire nuove strade per la progettazione di sistemi neuromorfici basati su dispositivi a semiconduttore. In particolare, il loro progetto ispirato al cervello potrebbe contribuire allo sviluppo di nuovi dispositivi e strumenti di intelligenza artificiale a basso consumo energetico, aprendo la strada a un computing più sostenibile.

💡 Un’affascinante analogia tra i principi della meccanica classica e l'ottimizzazione del 'Gradient Descent' con momentum nel training delle reti neurali 🔃 Così come nella fisica newtoniana un oggetto si muove nello spazio sotto l'influenza di forze, accumulando momento e inerzia, allo stesso modo l'algoritmo di ottimizzazione si muove nello spazio dei pesi della rete neurale, dove il gradiente agisce come una forza che guida l'apprendimento. Questa somiglianza non è casuale! 🎯 Il momentum è stato introdotto proprio per accelerare la convergenza dell'ottimizzazione, sfruttando gli stessi principi che governano il moto in fisica ⌨️ LAB Momentum with Different Polynomials - Colab https://lnkd.in/eWq-iCeh - GitHub https://lnkd.in/efw8pi-a ⌨️ LAB Neural Networks with Momentum - Colab https://lnkd.in/eM7t-ywB - GitHub https://lnkd.in/eqnbWjJz #MachineLearning #NeuralNetwork #DeapLearning

Ricercatori di Harvard e Google hanno collaborato per mappare una minuscola porzione del cervello umano con una precisione senza precedenti, rivelando la complessità di 57.000 neuroni e 150 milioni di sinapsi. Questa mappa 3D, frutto di un decennio di lavoro e dell'impiego dell'intelligenza artificiale, potrebbe rivoluzionare la nostra comprensione del cervello e delle sue malattie. #Neuroscienza #IntelligenzaArtificiale #AI #RicercaScientifica #Google #Harvard

LE RETI NEURALI SPIEGATE AI BAMBINI Hinton e Hopfield "hanno incominciato a prendere esempio da come funziona il cervello umano per fare con i computer cose un po’ più intelligenti di quelle che si facevano prima [...]. Hopfield ha costruito un modello di memoria associativa, come quando non ricordi una persona, ma appena vedi una parte del volto ti torna in mente tutta la sua fisionomia. Successivamente Hinton ha cominciato a concepire modelli di reti neurali profonde, che oggi sono usate per analizzare grandi quantità di dati". Luca Fraioli ha chiesto al fisico italiano Giorgio Parisi, Nobel nel 2021, di spiegare con un linguaggio adatto ai bambini le scoperte che sono valse il Nobel a Hinton e Hopfield. "Tutti i progressi conseguiti negli ultimi vent’anni nel campo dell’intelligenza artificiale prendono spunto dai lavori di Hopfield e Hinton sulle reti neurali artificiali", spiega Parisi che non si mostra preoccupato per gli sviluppi dell'intelligenza artificiale. "Si tratta di strumenti importanti, così come lo è stata la stampa a caratteri mobili, che ha cambiato il mondo. Ma c’è stato bisogno di normarla. Allo stesso modo si dovrà normare l’intelligenza artificiale". Parisi “Non è più la materia che si studiava a scuola noi scienziati da cinquant’anni viviamo nel futuro” Il colloquio con il fisico italiano premio Nobel nel 2021 La Repubblica, 9 ottobre 2024 #retineurali #Nobel #intelligenzaartificiale #guidaautonoma #scienza #ricerca #IA #AI

Se parliamo di intelligenza artificiale, pensiamo a dei software che rispondono in linguaggio naturale o che forniscono immagini velocemente. Dietro a tutto questo c’è un sistema che permette all’IA di "capire" e "rispondere": le reti neurali artificiali.

Dieci anni fa, gli scienziati fecero un importante passo avanti nella creazione di una versione digitale del sistema visivo umano. Nel 2011, dei ricercatori dell'Università della California, Berkeley, svilupparono un algoritmo capace di analizzare immagini da risonanza magnetica funzionale (fMRI) per riprodurre ciò che una persona stava vedendo in movimento. Sebbene la fMRI fosse già usata per studiare la visione statica, non era adatta a immagini dinamiche. Per questo, i ricercatori crearono un modello computazionale che superasse tale limite, dimostrando con successo la sua elevata accuratezza. Durante gli esperimenti, i ricercatori analizzarono ore di anteprime di film e utilizzarono i dati per costruire un modello di attivazione neuronale. Per testare la validità del modello, lo applicarono a una vasta libreria di video di YouTube, ottenendo risultati che rispecchiavano in modo sorprendente le scansioni fMRI. Nonostante alcuni limiti, come l'analisi concentrata solo sulla corteccia visiva primaria (V1) e modelli personalizzati per ciascun soggetto, lo studio apriva la strada alla possibilità di ricostruire anche immagini legate a sogni e ricordi, segnando un'importante svolta nel campo della neuroscienza e della modellizzazione del cervello umano. Recentemente, si è fatto un ulteriore passo avanti nello sviluppo di intelligenze artificiali in grado di ricreare immagini viste dalle persone, basandosi sulle loro scansioni cerebrali. I ricercatori dell'Università di Osaka hanno utilizzato l'IA per generare immagini di oggetti, come orsacchiotti e aerei, partendo dai dati fMRI, con una notevole precisione. Combinando modelli di diffusione e dati cerebrali, il sistema ha riprodotto immagini simili a quelle osservate. Sebbene ancora lontana dall'uso pratico, questa tecnologia potrebbe in futuro aiutare persone con paralisi o interpretare sogni e ricordi. Fonte: “Brain Imaging Reveals What You're Watching”, ACM; “Soil Liquefaction”, “AI re-creates what people see by reading their brain scans, Kamal Nahas, Science, 2023 Credit video: UCTVInsight, YouTube #scienza #divulgazione #curiosità #different

Intelligenza Artificiale vs Neuroscienze: la sfida del secolo. Si sente ormai spesso parlare di singolarità Tecnologica, tema che mi ha smosso parecchio le prime volte che iniziai a leggere Ray Kurzweil e simili. Ma ancora siamo bel lontani dall'obiettivo dei sostenitori della teoria, da cui mi escludo in primis, in quanto personalmente vedo e tifo per l'essere umano PADRONE della tecnologia, e non PARTE stessa della tecnologia. Ma pure i Ratti non scherzano in quanto a capacità e intelligenza. Studiare gli animali è sempre interessante per me, e in questo post vorrei suggerire un interessante articolo della Scuola Internazionale Superiore di Studi Avanzati (SISSA). L'indagine ha utilizzato una rete neurale convoluzionale (CNN) per replicare la capacità dei ratti di riconoscere oggetti in diverse condizioni, e i risultati hanno mostrato che la visione del ratto è estremamente efficiente e adattabile, superando la CNN man mano che la complessità delle manipolazioni dell'immagine aumentava. Per questo studio, i ricercatori hanno condotto esperimenti comportamentali, addestrando i ratti con una ricompensa a riconoscere e discriminare oggetti in condizioni sempre più sfidanti. Ad esempio, gli oggetti venivano ruotati, ridimensionati o parzialmente oscurati per valutare sia la capacità degli animali che delle reti neurali di riconoscerli nonostante queste trasformazioni. In scenari più semplici, come cambiamenti di posizione, la rete neurale è riuscita a replicare l'accuratezza dei ratti utilizzando solo metà degli strati; tuttavia, man mano che la complessità aumentava, i ratti mantenevano un tasso di successo piuttosto elevato in tutti i test, mentre la rete aveva bisogno di sempre più strati e risorse per competere, ottenendo risultati comparabili solo utilizzando l'intera profondità dell'architettura convoluzionale. Inoltre, lo studio ha riscontrato notevoli differenze nel modo in cui la rete neurale e il sistema visivo del ratto elaborano le informazioni visive, nonostante l'ispirazione biologica del primo. A differenza della CNN, che si basa su specifici pattern per ogni immagine, i ratti sembrano avere strategie più flessibili e generalizzabili che rimangono stabili anche quando l'aspetto di un oggetto cambia in vari contesti. AUTORI: Paolo Muratore, Alireza Alemi, Davide Zoccolan Link al primo commento

𝐐𝐮𝐚n𝐭𝐢 𝐠𝐢𝐠𝐚𝐛𝐲𝐭𝐞 𝐝𝐢 𝐦𝐞𝐦𝐨𝐫𝐢𝐚 𝐡𝐚 𝐢𝐥 𝐜𝐞𝐫𝐯𝐞𝐥𝐥𝐨 𝐮𝐦𝐚n𝐨? 𝐒𝐜𝐨𝐩𝐫𝐢𝐚𝐦𝐨𝐥𝐨𝐐𝐮𝐚n𝐭𝐢 𝐠𝐢𝐠𝐚𝐛𝐲𝐭𝐞 𝐝𝐢 𝐦𝐞𝐦𝐨𝐫𝐢𝐚 𝐡𝐚 𝐢𝐥 𝐜𝐞𝐫𝐯𝐞𝐥𝐥𝐨 𝐮𝐦𝐚n𝐨? 𝐒𝐜𝐨𝐩𝐫𝐢𝐚𝐦𝐨𝐥𝐨 Un Viaggio tra Biologia e Tecnologia Quando si parla di memoria, ci si trova spesso a riflettere su due mondi apparentemente distanti: quello biologico del cervello umano e quello digitale dei computer. Ma è possibile misurare la memoria del nostro cervello in byte? La risposta, come vedremo, è complessa e affascinante. La Memoria nei Computer: Un Mondo di Bit e Byte Iniziamo con il mondo dei computer. La memoria, in questo contesto, è misurata in byte, l’unità fondamentale dell’informazione. Un byte è composto da una sequenza di otto bit, dove ogni bit può essere un 0 o un 1. Questa combinazione di bit permette di codificare informazioni, come ad esempio le lettere dell’alfabeto. Oggi, i computer moderni possono vantare hard disk da 500 gigabyte o addirittura un terabyte, che corrispondono a miliardi di byte. La memoria di un computer si divide principalmente in due categorie: Memoria Volatile: Questa memoria è veloce ma temporanea. Non riesce a mantenere i dati quando il computer è spento. La RAM è un esempio di memoria volatile, che sostituisce i dati non utilizzati con quelli necessari al momento. Memoria Non Volatile: A differenza della memoria volatile, questa conserva i dati anche senza alimentazione elettrica. Gli hard disk e le SSD rientrano in questa categoria, permettendo di salvare informazioni in modo permanente. 𝐋𝐚 𝐌𝐞𝐦𝐨𝐫𝐢𝐚 𝐝𝐞𝐥 𝐂𝐞𝐫𝐯𝐞𝐥𝐥𝐨: 𝐔n 𝐒𝐢𝐬𝐭𝐞𝐦𝐚 𝐂𝐨𝐦𝐩𝐥𝐞𝐬𝐬𝐨 𝐞 𝐃𝐢n𝐚𝐦𝐢𝐜𝐨 Passiamo ora al cervello umano. A differenza dei computer, il nostro cervello non utilizza bit e byte per immagazzinare informazioni. La memoria umana è un sistema biologico altamente complesso, che si basa su reti neurali plastiche. Queste reti rispondono a stimoli sensoriali e sono in grado di apprendere e adattarsi nel tempo. La memoria umana può essere suddivisa in diverse categorie: Memoria Sensoriale: Riguarda le informazioni che percepiamo attraverso i sensi. Memoria Procedurale: Si riferisce alla nostra capacità di apprendere e riprodurre movimenti complessi in modo automatico. Memoria Episodica: Include i ricordi delle esperienze di vita, come i numeri di telefono dei familiari o le informazioni apprese nei libri. Le informazioni vengono conservate nelle reti neurali, che si modificano continuamente attraverso processi di potatura sinaptica (quando dimentichiamo) e sinaptogenesi (quando apprendiamo qualcosa di nuovo). Questo rende la memoria umana altamente plastica e adattabile. 𝐂𝐨n𝐭𝐢n𝐮𝐚 : 👇👇👇 https://lnkd.in/d6qu-bTh #Memoria #francobagaglia