Reti neurali
Le reti neurali, come i sistemi dinamici e i software, si dividono in fase di input e fase di output. Le reti neurali si basano su un modello computazionale che a sua volta si basa sulla manipolazione di simboli fisici. I primi erano sistemi simbolici, con regole del tipo “se… allora…”, ma erano fragili alla presenza di contraddizioni.
Come altri componenti nel campo dell’intelligenza artificiale, anche le reti neurali si ispirano alla biologia. In particolare si ispirano a studi sul funzionamento del cervello, dove si scoprì che il modello un neurone un concetto era sbagliato. Il neurone infatti trasmette un impulso lungo l’assone se la somma dei suoi ingressi supera una certa soglia. Se arrivano molti input in un breve periodo ad un neurone, questo “spara”. Inizialmente si propose un modello semplificato dove il neurone viene aggiornato a tempi discreti, così da descriverlo con una logica booleana dove non si considera l’affievolimento graduale del segnale, ma piuttosto si ha 1 dove spara o 0. Ogni neurone spara se supera la soglia minima. Il modello di neurone a soglia può calcolare ogni funzione logica finita.
Con l’aggiunta di elementi simili ai neuroni, si dimostrò che era possibile calcolare ogni funzione logica, risultato molto interessante perché significava creare un sistema capace di apprendere automaticamente quali sono i giusti valori di connessione e soglie. Il probelma era che non non si sapeva come costruirlo.
Alla base delle reti neurali c’è il riconoscimento dei pattern. Il modello di Hopfield è un tipo di rete neurale artificiale che simula le capacità del cervello umano di ricordare le cose o di ricostruire le immagini distorte. Ogni neurone è numerato da 1 a N, e ha un peso. Questo modello separa la parte di apprendimento e quella di riconoscimento. L’apprendimento modifica i pesi dei neuroni, e deve fare in modo che la rete vada in una direzione utile. Per l’apprendimento di un pattern, se due neuroni sono entrambi accesi o spenti deltaW(differenza di peso) = +1, mentre se uno è acceso e l’altro spento, deltaW = -1. Nella fare di riconoscimento, invece, la rete evolve mantenendo costanti le connessioni.