Reti Neurali e Vita Artificiale
Sebbene la loro ispirazione biologica sia esplicita, la
ricerca sulle Reti Neurali viene condotta per lo più al di fuori
del campo di studi conosciuto come Vita Artificiale. Questo è
dovuto al fatto che le Reti Neurali tendono a essere isolate da
qualsiasi cosa ad eccezione dellingresso e dellinput
di apprendimento che un ricercatore può fornire alla rete. La
maggior parte della ricerca sulle NN le considera come dei
congegni computazionali astratti o come macchine per processare
informazioni che, adottando uno stile di computazione simile a
quello del cervello umano, sono un grado di operare dei mappping
input/output (comportamenti) che qualche volta miracolosamente
somigliano a comportamenti umani. Ma esse possono anche essere
viste nella prospettiva della Vita Artificiale (e vengono
chiamate Artificial Life Neural Network ALNN- per
distinguerle da quelle classiche). Le ALNN non vengono
considerate semplicemente come delle macchine per processare
informazioni, ma come dei modelli del sistema nervoso, perciò
bisogna considerare che esso è una parte di un organismo che ha
un corpo con una certa dimensione, una forma, con sensori e
organi motori, organi interni ecc. Lorganismo inoltre vive
in un ambiente esterno (fisico se si tratta di un robot, virtuale
se vive allinterno di un computer) con il quale
costantemente interagisce e il quale contiene altri organismi,
materia inorganica, cibo ecc. Inoltre gli individui fanno parte
di una popolazione di organismi simili ma non identici, ognuno
dei quali nasce, vive per un certo tempo e muore. Analizzeremo
adesso tre fattori fondamentali: (a) limportanza di vivere
in un ambiente esterno, (b) limportanza di avere un corpo,
(c) limportanza di adattarsi allambiente attraverso
un processo evolutivo.
(a) Le ALNN vivono in un ambiente
Le Artificial Life Neural Network vivono in un ambiente
esterno. Ciò implica che in esse, come in un organismo naturale,
lambiente influenza luscita della rete.
Principalmente loutput di una ALNN codifica i movimenti del
corpo dellorganismo (o di una sua parte) che causano
cambiamenti nellambiente o nella relazione tra lindividuo
e lambiente. Il comportamento di una ALNN è il risultato
delloutput della rete stessa, dellambiente e della
loro interazione. Il mondo esterno, non solo
influenza loutput della rete e la trasforma in
comportamento, ma è esso stesso sorgente di ingressi. Nelle reti
classiche è il ricercatore che decide quali ingressi la rete
deve vedere, in che modo devono essere viste e con quale
frequenza; al contrario nelle ALNN è lambiente esterno il
responsabile delle configurazioni di ingresso codificate nella
rete, infatti gli input di una ALNN principalmente codificano lo
stato dellambiente esterno attorno allorganismo.
Perciò è lambiente esterno, non il ricercatore, che
determina quali configurazioni in ingresso sono viste in un dato
istante dalla rete.
Lambiente esterno è critico nel dare una semantica
alla configurazione di ingressi e uscite delle unità di una rete.
Nelle reti classiche semplicemente non si fa altro che
trasformare dei segnali di ingresso in un segnale in uscita e non
cè riferimento a qualcosa che non sia la rete stessa. Al
contrario nelle ALNN i segnali di ingresso sono prodotti da un
ambiente esterno indipendente nel quale esse vivono e
interagiscono. Una importante conseguenza di ciò deriva dal
fatto che poiché luscita di una rete può cambiare lambiente
esterno o la sua relazione con esso, ne deriva che i segnali di
ingresso sono influenzati dalluscita della rete. Loutput
della rete in un ciclo può parzialmente determinare linput
nel ciclo successivo, inoltre la rete può come minimo
controllare in parte il suo stesso ingresso. Gli organismi
possono adattarsi allambiente costruendo al loro interno
dei modelli dellesterno, i quali saranno costruiti
osservando quali cambiamenti nellambiente risultano da
certe azioni. Se non cè un ambiente che risponde alle
azioni della Rete Neurale - come in quelle classiche -
questo tipo di modelli non può essere costruito. Infatti le reti
tradizionali sono costrette a imparare estraendo le regolarità
inerenti nei loro ingressi passivamente ricevuti. Le ALNN
imparano sia in questo modo, sia notando le regolarità nella
relazione tra le loro azioni e le loro conseguenze.
Se le reti possono in parte controllare gli ingressi, allora esse
possono sfruttare questa opportunità per cercare di essere
esposte a degli ingressi preferenziali, cioè a degli ingressi ai
quali la rete sa già come rispondere o ingressi che le
permettono di riconoscere oggetti incontrati nellambiente.
Unaltra conseguenza dellambiente esterno è che può
essere differente lo stesso processo di apprendimento tra
una ALNN e una rete classica. La prima, infatti, impara
semplicemente ad ogni ingresso una uscita corretta, al contrario
una ALNN poiché parzialmente controlla gli ingressi con la
propria uscita, può generare degli output che le permettono di
sperimentare gli ingressi appropriati durante lapprendimento.
Una ALNN può infatti imparare due cose differenti: possono
imparare ad associare ad ogni ingresso luscita appropriata
(come quelle classiche), ma possono anche imparare ad avere le
appropriate esperienze di apprendimento, cioè possono modificare
il loro comportamento in modo da essere esposte a ingressi dai
quali possono imparare più che da altri.
Una ulteriore conseguenza del fatto di avere un controllo
parziale sugli ingressi è che la successione di ingressi
sperimentati da una ALNN tende ad avere un carattere temporale
che è normalmente assente in una rete classica. Il carattere
temporale intrinseco di una ALNN inoltre emerge chiaramente se
invece della sequenza degli ingressi sperimentati consideriamo la
sequenza delle uscite che generano. Il comportamento di una rete
tende così a essere valutato non in termini di singole uscite,
ma in termini di sequenze di uscite. Se, ad esempio, una ALNN sta
cercando cibo, è la sola azione finale di ottenimento del cibo
che ricompensa la rete, mentre alla successione di uscite
motorie che portano la rete al cibo è data una sorta di
unità temporale attraverso la sua azione finale.
(b) Le ALNN hanno un corpo
Le reti neurali classiche non hanno un corpo, sono sistemi
astratti che calcolano una uscita dato un certo ingresso. La Vita
Artificiale può in questo caso essere vista come un tentativo di
dare un corpo alla macchina. Le reti neurali che vivono su un
sistema fisico non possono essere dei sistemi astratti, ma devono
necessariamente possedere un corpo che abbia una collocazione
fisica nellambiente, occupandone una porzione, e relazioni
fisiche (ad esempio la distanza) con altri oggetti nellambiente.
Come oggetti fisici le ALNN possono interagire con il loro
ambiente. Tutto quello che è codificato in una unità di
ingresso di una ALNN è la corrente configurazione di diversi
tipi di energia (energia della luce, del suono, meccanica,
termica etc.) nelle vicinanze del corpo dellorganismo o al
suo stesso interno, e tutto quello che è codificato nelluscita
della rete sono cambiamenti nella posizione fisica del corpo o di
parte di esso (movimenti) o allinterno del corpo.
Se consideriamo una ALNN in senso esteso, cioè non solo come una
rete neurale, ma come un organismo che ha un proprio corpo, le
interazioni tra una ALNN e il suo ambiente possono essere mediate
dalla rete neurale, ma lambiente può anche influire su una
ALNN senza influire direttamente sulla sua rete neurale (per
esempio una ALNN può urtare un ostacolo in modo che non può più
procedere oltre). Oppure altre parti della ALNN (non la sua rete
neurale) possono essere influenzate dallambiente, per
esempio una ALNN può mangiare qualcosa e un suo stato
motivazionale la fame cambia. Allo stesso modo il
corpo della ALNN può causare nellambiente dei cambiamenti
non rilevati dal suo sistema nervoso. Per esempio, quando una
ALNN si sta muovendo in un ambiente può inavvertitamente rompere
un oggetto incontrato durante il suo cammino. Inoltre persino
degli effetti intenzionali della ALNN possono non essere intesi a
causa delle proprietà fisiche del corpo, per esempio se una ALNN
deve raggiungere una certa posizione con il punto
finale del suo braccio, la lunghezza del braccio sarà un fattore
critico.
Le implicazioni del fatto di avere un corpo e interagire con lesterno
sono più significative quando essi sono degli oggetti fisici
reali come nel caso delle ALNN usate per il controllo di robot
mobili. In questi casi, alcuni fattori addizionali (inerzia, luce
rumore ,
) sorgono dalle proprietà fisiche del robot
e dellambiente e devono essere tenute in conto, inoltre
possono essere usati solo sensori e attuatori reali (invece di
quelli reali che possono non rispettare i vincoli fisici e avere
precisione infinita). In questi casi linput e loutput
devono necessariamente corrispondere a misure fisiche o forze e
non possono includere informazioni astratte ottenute da
esperimenti. Infine solo le informazioni che possono essere
realmente ottenute dallambiente possono essere prese in
considerazione.
(c) Le ALNN si evolvono
Le reti neurali classiche sono generalmente addestrate
partendo da una assegnazione casuale dei pesi. Qualche volta lo
sperimentatore disegna larchitettura grezza della rete
usando il suo intuito o dati biologici. Tuttavia anche in questo
caso la maggior parte delle condizioni iniziali viene impostata
in maniera casuale. Le ALNN, quando sottoposte a un processo
simulato di evoluzione, nascono ereditando il loro stato
iniziale da altre reti (i genitori). Le informazioni ereditate
rappresentano il genotipo, che contiene le informazioni
necessarie per produrre la corrispondente rete neurale
fenotipica e di conseguenza è unentità distinta dalla
rete stessa. La distinzione tra genotipo e fenotipo ha alcune
implicazioni. Innanzitutto non solo i pesi della rete neurale, ma
anche le caratteristiche del sistema motorio e il corpo della
ALNN possono essere codificati nel genotipo ed essere sottoposti
a un processo evolutivo. In secondo luogo la rete può
modificarsi sia filogeneticamente (cioè a causa del processo
evolutivo), sia ontogeneticamente (cioè a causa dellapprendimento).
In questo caso possono sorgere delle interazioni positive tra i
due processi: levoluzione può selezionare delle buone
condizioni iniziali che migliorano il processo di apprendimento e
lo spingono nella direzione giusta; lapprendimento può a
sua volta aiutare levoluzione a trovare buone soluzioni e
ad adattarsi a cambiamenti ambientali troppo veloci da poter
essere seguiti dalla sola evoluzione. Infine le ALNN possono
acquisire attraverso levoluzione a estrarre dallambiente
o a autogenerare degli ingressi per lapprendimento e a
usarli per adattarsi durante la loro vita.