Universi emergenti da sfide tra reti neurali

Mappe di lensing gravitazionale debole basate sul modello cosmologico standard Lambda-Cdm, ottenute dai dati (in alto) e prodotte da reti neurali antagoniste generative (in basso). Crediti: Berkeley Lab

Quando la Natura è troppo complessa per essere studiata direttamente, gli scienziati la simulano, elaborando modelli in grado di riprodurre l’aspetto e il funzionamento del fenomeno indagato, così da poter mettere alla prova le loro teorie confrontando i dati sperimentali con quelli prodotti artificialmente. In alcuni casi, però, queste simulazioni possono a loro volta raggiungere complessità e dimensioni tali da risultare proibitive in termini computazionali. Come fare, in questi casi? Una risposta arriva ora da una nuova classe di algoritmi di machine learning basati sulla teoria dei giochi: le reti antagoniste generative (in inglese Gan, acronimo di generative adversarial network).

Ed è proprio avvalendosi di queste reti che una collaborazione fra Berkeley Lab, Google Research e l’università sudafricana di KwaZulu-Natal ha messo a punto CosmoGan, un software in grado di produrre in completa autonomia – senza alcun intervento umano – fedelissime mappe di convergenza del lensing gravitazionale debole. Algoritmo e risultati sono descritti in un articolo, guidato da Mustafa Mustafa del Lawrence Berkeley National Laboratory, pubblicato su Computational Astrophysics and Cosmology. Le mappe prodotte – o meglio, emerse – dalla “competizione” fra le reti neurali antagoniste sono preziose per chiunque si trovi a studiare le proprietà della materia oscura. Ma l’approccio sembra promettente anche per molti altri ambiti della fisica in cui siano richieste simulazioni di grande complessità.

«Le Gan sono particolari architetture di reti convolutive, generalmente usate in applicazioni nelle quali si vogliono generare contenuti o oggetti: ad esempio immagini di galassie, o altre strutture», spiega a Media Inaf Massimo Meneghetti, ricercatore all’Inaf Oas di Bologna, esperto di lensing e astrofisica computazionale. «Si tratta di due reti neurali che lavorano in coppia. C’è una rete che “genera” oggetti a partire da rumore, e un’altra rete che ha il compito di “discriminare” fra oggetti veri e falsi. Le due reti vengono allenate insieme: la prima, il generatore, apprende come produrre oggetti sempre più realistici, in modo da “imbrogliare” l’altra rete, il discriminatore. Quest’ultima invece diventa sempre più abile nel distinguere il vero dal falso. Questa specie di “guerra” tra le due reti porta alla realizzazione di oggetti che sono praticamente indistinguibili dalla realtà».

Il risultato, applicato alle mappe di lensing gravitazionale, lo potete vedere nell’immagine di apertura. Le tre mappe in alto sono quelle di convalida basate sui dati, quelle in basso sono invece prodotte dalle reti neurali antagoniste.

«Tecniche di deep learning come le Gan stanno diventando di uso molto comune in molte applicazioni astrofisiche», dice Meneghetti. «Anche alcuni ricercatori dell’Inaf le utilizzano, in ambiti che vanno dalle simulazioni di immagini alla classificazione morfologica di galassie, e molto altro. Sono uno degli argomenti sui quali ci confronteremo il prossimo settembre, a Pula, in un workshop dedicato proprio a questi temi».

Per saperne di più:

Optima, premiata la gestione del servizio clienti con Intelligenza Artificiale

Antonio Gorrasi di Optima

Optima Italia, multiutility attiva nel mercato dell’energia e delle telecomunicazioni, è stata premiata dal club CMMC per l’assistente virtuale Alan, un sistema che fa leva sullintelligenza artificiale per gestire la relazione con il cliente. Alan, grazie ad algoritmi di intelligenza artificiale, riesce a riconoscere e interpretare il linguaggio naturale.

Un assistente in grado di imparare da ogni conversazione e migliorarsi da solo continuamente. Disponibile 24 ore su 24 e 7 giorni su 7 e da qualsiasi device (pc, smartphone, tablet), il sistema targato Optima può essere progettato per supportare il cliente su tante informazioni e casistiche.

Optima Italia, il suo servizio clienti è intelligente e piace agli utenti

Stato di attivazione del servizio acquistato, fatturazione, stato contabile, pagamenti, autolettura del contatore, assistenza tecnica per il router, Internet e telefono, modulistica, può aprire una segnalazione al servizio clienti e monitorarla. Sono tutte queste le casistiche gestibili da Alan di Optima.

Può essere, inoltre, integrato con i sistemi interni di back-end, come CRM, Billing e Provisioning. In questo modo il chatbot può accedere a informazioni e funzionalità di dettaglio che rendono autonomo il cliente, abilitando inoltre funzionalità di “notifica” con cui è possibile dare informazioni proattive sullo stato di avanzamento delle pratiche in corso.

Il club CMMC aggrega una serie di primarie società che si occupano di relazione ed esperienza con clienti attraverso i canali digitali e ha l’obiettivo di favorire la crescita degli investimenti nei processi e nelle tecnologie più innovative di Customer Experience Management in Italia. Per questo ha premiato la società italiana.

Antonio Gorrasi, Head of Operations & Technology di Optima Italia ha dichiarato: “siamo particolarmente soddisfatti di questo riconoscimento. In un contesto sociale ed economico in rapida evoluzione, i clienti vogliono poter accedere dagli smartphone o dal tablet alla propria bolletta energetica, controllarla in qualsiasi momento, e da qualsivoglia posto“.

E poiché un cliente soddisfatto del servizio erogato vale quanto, se non di più, rispetto all’acquisizione di uno nuovo, investire in tecnologia è fondamentale.

Reti neurali predicono la massa dei pianeti

PD Dr. Yann Alibert, NCCR PlanetS. Crediti: University of Bern / Adrian Moser

I pianeti si formano in dischi stellari, accrescendo materiale solido e gas. Il fatto che diventino corpi come la Terra o come Giove dipende da diversi fattori, come le proprietà dei solidi, la pressione e la temperatura nel disco e il materiale già accumulato. Gli astrofisici, servendosi di modelli computerizzati, stanno cercando di simulare il processo di crescita del pianeta e determinare la sua struttura interna. Per determinare le condizioni al contorno, devono calcolare la massa dell’involucro di gas da cui si origina il pianeta. «Ciò richiede la risoluzione di una serie di equazioni differenziali», spiega Yann Alibert, responsabile scientifico del Nccr PlanetS presso l’Università di Berna. «Negli ultimi 15 anni, risolvere queste equazioni è diventata la specialità degli astrofisici qui a Berna, ma è un processo complicato e molto dispendioso in termini di tempo».

Per accelerare i calcoli, Yann Alibert e PlanetS hanno coinvolto Julia Venturini dell’International Space Science Institute (Issi) a Berna, e adottato un metodo che è già protagonista in molti altri campi tra cui l’onnipresente smartphone: il cosiddetto apprendimento profondo o deep learning. Ad esempio, il deep learning viene comunemente utilizzato per il riconoscimento facciale e delle immagini. Questo ramo dell’intelligenza artificiale e dell’apprendimento automatico (in inglese machine learning) ha notevolmente migliorato la traduzione automatica della lingua e sarà cruciale per le auto a guida autonoma. «C’è un grande clamore anche nell’astronomia», dice Alibert. «L’apprendimento automatico è già stato utilizzato per analizzare le osservazioni, ma per quanto ne so siamo i primi ad utilizzare il deep learning per un tale scopo».

Julia Venturini, Nccr PlanetS. Crediti: Nccr PlanetS

Innanzitutto, i ricercatori hanno dovuto creare un database, calcolando milioni di possibili strutture interne dei pianeti. «Ci sono volute tre settimane per calcolare tutti questi casi utilizzando un codice sviluppato da Julia Venturini durante il suo dottorato di ricerca a Berna», dice Alibert.

Il passo successivo è stato quello di decidere l’architettura della rete neurale artificiale, ossia un insieme di algoritmi che processano i dati di input attraverso operazioni matematiche e conferiscono alla rete neurale la capacità di apprendere senza essere programmata esplicitamente. «Poi, abbiamo addestrato questa rete utilizzando il nostro gigantesco database», spiega l’astrofisico. «Ora la nostra rete è in grado di prevedere la massa di un pianeta che si forma in determinate condizioni con un’accuratezza molto buona e in modo estremamente più veloce rispetto alla risoluzione delle equazioni differenziali».

Il processo di deep learning è molto più preciso dei metodi sviluppati precedentemente per sostituire la soluzione delle equazioni differenziali con alcune formule analitiche. Infatti, queste formule analitiche potrebbero prevedere che un pianeta cresca fino ad avere la massa di Giove, mentre in realtà non potrebbe avere più massa di quanta ne ha Nettuno.

Lo studio è stato pubblicato sulla rivista Astronomy and Astrophysics e gli autori hanno reso disponibili i loro risultati sulla piattaforma di sviluppo software GitHub, in modo che i colleghi di tutto il mondo che lavorano alla formazione dei pianeti ne possano trarre vantaggio.

Per saperne di più:

Cina: uniformi “intelligenti” con GPS e riconoscimento facciale per andare a scuola

cina-uniformi
Le scuole cinesi stanno monitorando la posizione esatta dei loro studenti utilizzando “uniformi intelligenti” dotate di chip per incoraggiare tassi di frequenza più alti, secondo un rapporto del quotidiano statale The Global Times (tramite The Telegraph).

L’implementazione è tanto inquietante quanto incredibile: “l’uso di tecnologia intelligente per tracciare i punti di ritrovo degli studenti“. Ogni divisa ha due chip nelle spalle che vengono utilizzati per tenere traccia di quando e dove gli studenti entrano o escono dalla scuola. E’ presente anche un software di riconoscimento facciale all’ingresso per assicurarsi che sia lo studente giusto ad indossare l’abito giusto. Inoltre, se uno studente proverà ad uscire durante l’orario scolastico, un allarme incomincerà a suonare.

Anche le uniformi sono lavabili, nonostante la tecnologia intelligente. Secondo Guizhou Guanyu Technology Company, che ha sviluppato le divise intelligenti, ogni abito può resistere fino a 150 gradi Celsius (302 gradi Fahrenheit) e 500 lavaggi. Ci sono anche funzionalità aggiuntive, secondo un rapporto di The Epoch Times: i chip possono apparentemente rilevare quando uno studente si è addormentato in classe, e consentire agli studenti di effettuare pagamenti (utilizzando un riconoscimento facciale o impronte digitali per confermare l’acquisto).

Dove sono già operative le uniformi

Le uniformi vengono utilizzate in 10 scuole nella regione cinese della provincia di Guizhou, e apparentemente sono in uso da un po di tempo. Secondo Lin Zongwu, preside della scuola n. 11 di Renhuai, oltre 800 studenti nella sua scuola indossano le divise intelligenti dal 2016.

Anche se le divise hanno lo scopo di incoraggiare la partecipazione, sembra che non ci sia nulla che impedisca agli amministratori di utilizzarli per tenere traccia degli studenti fuori dalla scuola, almeno tecnologicamente parlando, il che è certamente preoccupante. Sebbene, come spiega Lin Zongwu: “abbiamo scelto di non controllare l’esatta posizione degli studenti dopo la scuola”.

C-Lab di Samsung utilizzerà SXSW per nuovi progetti con I.A.

Il C-Lab di Samsung utilizzerà SXSW per introdurre nuovi progetti con intelligenza artificiale. Tutti mirano a fornire agli utenti esperienze nuove, innovative e uniche che utilizzano la tecnologia dell’intelligenza artificiale per rendere le cose più interessanti e coinvolgenti.

Toonsquare 

Sarà utilizzata l’intelligenza artificiale per sapere ciò che un utente digita e trasformare tutto in un fumetto che l’utente e gli altri possono vedere. Con Toonsquare gli utenti saranno dunque in grado di creare i propri cartoni animati. Inoltre, potranno utilizzare la grafica dei personaggi già integrati nell’app o persino utilizzare le proprie foto per creare un nuovo personaggio. Toonsquare analizzerà anche diversi aspetti del testo in modo che possa raccogliere abbastanza informazioni per dare ai personaggi le espressioni e le emozioni dei cartoni animati in base al contesto. Un esempio di tale progetto è nell’immagine all’inizio dell’articolo.

Aurora

Aurora è un componente hardware che utilizza la tecnologia dell’assistente digitale nell’app complementare. Si connette a uno smartphone e visualizza l’assistente sul display hardware integrato. Il telefono può essere collegato all’hardware Aurora e quindi tramite la voce l’utente può parlare con l’app e visualizzare l’interazione sullo schermo. Utilizza anche la fotocamera dello smartphone per riconoscere le espressioni facciali in modo che le espressioni dell’assistente visualizzato siano risposte appropriate.

Gadget

Gadget mira a rinnovare il mondo degli annunci in-game. Mentre a nessuno piacciono molto le pubblicità nei giochi in quanto possono essere invasive, C-Lab vuole cambiare tutto con Gadget. Ci sarà un plug-in che gli sviluppatori possono integrare nei loro giochi e quindi fondere gli annunci sullo sfondo del gioco in posizioni meno evidenti. Il gadget è come lo descrive C-Lab, una piattaforma di aste di annunci in tempo reale che consente agli sviluppatori o agli inserzionisti di acquistare il posizionamento degli annunci. Quindi, gli annunci ci saranno ma senza rovinare l’esperienza di gioco dell’utente.

Intelligenza Artificiale: nelle mani sbagliate può diventare una vera e propria arma

intelligenza artificiale guida autonomaQuello dell’Intelligenza Artificiale è un tema senz’altro importante in una società che, in linea generale, si sta evolvendo abbracciando tecnologie e sistemi all’avanguardia che si coniugano a formare un nuovo ecosistema che punta a migliorare il comfort, l’efficienza delle infrastrutture e la comunicazione.

Nonostante ciò, ad ogni modo, ci si scontra con i moniti portati avanti da personalità illustri del mondo tecnologico, le quali stanno ponendo sotto i riflettori implicazioni tutt’altro che positive per il futuro di una tecnologia che da qui ad un biennio insedierà a pieno regime ecosistemi interoperabili sempre connessi e facenti parte di un’infrastruttura 5G che vede in primo piano l’IoT (Internet oh Things) e l’IoV (Internet of Vehicle).

In particolar modo, nel periodo, si incontrano i pareri discordanti vertenti sul tema sicurezza IA e sulle potenziali ripercussioni negative derivanti da un uso improprio delle tecnologie.

Intelligenza Artificiale: questa sconosciuta

Sono davvero tanti gli scenari distruttivi prospettati dalla critica nei confronti della sicurezza in ambito Intelligenza Artificiale. Secondo il parere degli esperti, in particolare, l’IA potrebbe corrispondere ad un’arma a doppio taglio nel senso più stretto del termine.

Hacker e malintenzionati di ogni sorta rischiano di mandare letteralmente in tilt l’intero sistema, con particolari gravi ripercussioni sulla sicurezza pubblica a privata. Uno scenario che acquista particolare rilevanza nel contesto dei sistemi a guida autonoma, dove si osserva la partecipazione attiva di personalità aziendali del calibro di Google, Intel e Samsung.intelligenza artificiale rischio sicurezza

Di fatto, uno studio che ha visto partecipi gli illustri esponenti delle Università di Cambridge, Oxford e Yale pone in cattiva luce un sistema ancora da perfezionare. Esperti nel campo della privacy e governi stanno ponendo sotto attenta osservazione il fenomeno, ponendo particolare enfasi sul fatto di potersi trovare improvvisamente di fronte a due fuochi.

I cyber criminali, di fatto, potrebbero sfruttare vulnerabilità specifiche per prendere di mira obiettivi strategici e Stati target a distanza. Non si tratta certo di ipotesi campate per aria, così come testimoniano i numerosi incidenti verificatisi nel corso di questi mesi e degli ultimi anni. Siamo di fronte ad un’arma a doppio taglio? Ai posteri l’ardua sentenza.

Reti neurali alle origini dell’universo

Crediti: Berkeley Lab

Che sia per aumentare la definizione di immagini astronomiche, o per identificare lenti gravitazionali all’interno di enormi moli di osservazioni, o ancora per scoprire pianeti extrasolari, le reti neurali rappresentano uno strumento di intelligenza artificiale sempre più indispensabile alla comprensione dell’universo.

L’ultimo esempio è riportato in un articolo, recentemente apparso sulla rivista Nature Communications a cura di un gruppo di scienziati appartenenti a istituzioni scientifiche tedesche, statunitensi e cinesi. Nel nuovo studio i ricercatori hanno dimostrato che si può istruire una rete neurale a identificare con grande precisione importanti caratteristiche presenti nelle tracce lasciate dalle particelle prodotte in un acceleratore.

Gli autori del nuovo studio hanno alimentato una rete neurale convoluzionale – il tipo di software ad autoapprendimento usato, ad esempio, per il riconoscimento facciale – con migliaia di immagini simulate di collisioni di particelle ad altissima energia. Dopo l’apprendimento, la rete neurale ha presentato un tasso di successo fino a 95 per cento nel riconoscere le caratteristiche importanti in un campione di circa 18mila immagini.

Le immagini utilizzate in questa ricerca – simili a quelle ottenibili in esperimenti di fisica nucleare condotti in acceleratori di particelle come il Relativistic Heavy Ion Collider del Brookhaven National Laboratory statunitense o l’europeo Large Hadron Collider al Cern di Ginevra – ricreano le condizioni di una “zuppa” di particelle subatomiche, uno stato fluido supercaldo conosciuto come plasma di quark e gluoni. Gli scienziati ritengono che, come una sorta di brodo ultra-primordiale, un tale stato sia esistito pochi milionesimi di secondo dopo la nascita dell’universo.

Il diagramma a sinistra delinea la distribuzione delle particelle in una collisione simulata di ioni pesanti ad alta energia. Migliaia di immagini come questa sono state utilizzate per addestrare una rete neurale a identificare caratteristiche importanti. A destra, una rete neurale ha creato questa “mappa di importanza”, dove i colori più chiari rappresentano aree che sono considerate più rilevanti per identificare l’equazione di stato per la materia di quark e gluoni creata nelle collisioni di particelle. Crediti: Berkeley Lab

Negli esperimenti, i fisici nucleari fanno scontrare nuclei di elementi pesanti, come oro o piombo, spogliati di elettroni. Queste collisioni fanno schizzare via protoni e neutroni impacchettati nel nucleo, i quali si rompono a loro volta, in una reazione a catena su minuscola scala, liberando i mattoncini di cui sono costituiti: quark e gluoni, per l’appunto.

Lo scopo di esperimenti del genere è conoscere le precise condizioni sotto cui si forma il plasma di quark e gluoni, quanta energia vi sia racchiusa, quali siano la sua temperatura e pressione quando avviene la transizione allo stato fluido. Tuttavia, misurare queste proprietà della materia, ovvero ricavarne l’equazione di stato, nel momento in cui avviene la transizione di fase si è rivelato assai complesso.

«Con il tipo di apprendimento automatico permesso dalle reti neurali, stiamo cercando di identificare un determinato schema che rappresenti una firma univoca dell’equazione di stato», commenta Long-Gang Pang del Lawrence Berkeley National Laboratory, primo autore del nuovo studio. «Così dopo essere stata istruita, la rete neurale può individuare solo le porzioni di un’immagine più rilevanti per il problema che gli scienziati stanno cercando di risolvere».

I ricercatori sperano di ricavare da questi esperimenti anche delle indicazioni sulle forze fondamentali che governano le interazioni tra quark e gluoni all’interno dei nuclei atomici.

Per saperne di più:

Pianeti intrappolati nella rete neurale di Google

Rappresentazione artistica degli otto pianeti del sistema della stella (si intravede a sinistra) Kepler-90. L’ultimo scoperto, Kepler-90i, è il terzo più vicino alla stella. Crediti: Nasa/Wendy Stenzel

Alle 19, puntuale come sempre, l’ormai abituale annuncio della Nasa è arrivato come promesso. Ci sono notizie buone e notizie forse meno buone – per queste ultime, dipende dai punti di vista. Partiamo dunque da quelle buone. Grazie all’instancabile telescopio spaziale Kepler sono stati scoperti due nuovi pianeti extrasolari. Pianeti piccoli, dunque quanto a dimensioni simili alla Terra, e probabilmente rocciosi. Ma sono le notizie “cattive” quelle più gustose. La prima è che uno dei nuovi pianeti porta il totale di quelli attorno alla stella che lo ospita a quota otto. Otto come quelli attorno al Sole. In altre parole, da oggi sappiamo con certezza – il sospetto già c’era… – che il nostro Sistema solare non detiene più da solo il record del numero di mondi. È un primato che ci tocca condividere con Kepler-90, questo il nome del “sole” attorno al quale è stato visto orbitare il nuovo arrivato, Kepler-90i, insieme ai sette pianeti di cui già si conosceva l’esistenza. C’è però di peggio: oltre al primato, rischiamo pure di perdere il lavoro. O meglio, questo è il rischio che corrono gli astronomi. Già, perché a distillare i due nuovi arrivati dall’immenso archivio di Kepler non è stato un tenace e cocciuto postdoc: è stata una rete neurale artificiale. Un algoritmo di machine learning.

Magari è presto per allarmarsi: almeno l’astro-algoritmo non s’è ancora fatto furbo a sufficienza da firmare l’articolo scientifico. Però leggere che l’affiliazione del primo autore è “Google Brain, Mountain View, California” un po’ dà da pensare. Intendiamoci, il postdoc non manca: uno dei due autori dello studio è Andrew Vanderburg, astronomo in carne e ossa della Nasa e dell’Università del Texas a Austin. Ma la sua firma è la seconda. La prima è quella di Christopher Shallue, ingegnere informatico di Google.

È lui, Shallue, che ha avuto l’idea di fare ricorso a una rete neurale, attratto dai pianeti extrasolari dopo aver scoperto che anche l’astronomia, mano a mano che progrediscono le tecniche d’acquisizione, sta venendo rapidamente sommersa dai dati. «Così nel tempo libero ho iniziato a googlare “trovare pianeti extrasolari con grandi set di dati”. E sono venuto conoscenza», racconta sornione, «della missione Kepler e dell’enorme set di dati di cui dispone. Se c’è un ambito nel quale l’apprendimento automatico dà il meglio di sé, è dove ci sono così tanti dati che gli esseri umani non riescono a setacciarli da soli».

Analizzati fino a oggi con test automatici standard, se non addirittura direttamente a occhio, di dati in effetti ce ne sono davvero tanti, nell’archivio di Kepler. In quattro anni ha acquisito segnali relativi a circa 35mila potenziali transiti planetari. Per consentire alla rete neurale, sviluppata da Google, di farsi le ossa, Shallue e Vanderburg le hanno dato in pasto 15mila segnali – già controllati e validati – presi dal catalogo di esopianeti della sonda Nasa. E le hanno chiesto d’individuare quali erano veri pianeti e quali, invece, falsi positivi. Vediamo un po’ come se la cava, si devono essere detti… Ebbene, ci ha azzeccato il 96 per cento delle volte.

Ritenuta la rete neurale ormai sufficientemente addestrata per affrontare il lavoro vero, i due ricercatori le hanno affidato l’analisi dei segnali più ambigui relativi a 670 sistemi planetari, ritenendo che il posto migliore per cercare un pianeta fosse dove già ne erano stati trovati altri in precedenza. Risultato? «Abbiamo ottenuto un sacco di falsi positivi, ma anche molti pianeti potenzialmente reali. È un po’ come setacciare le rocce per trovare pietre preziose», spiega Vanderburg. «Se usi un setaccio più fine, raccoglierai altre rocce, ma potresti anche raccogliere nuove pietre preziose».

Il sistema di Kepler-90 (a sx) e il sistema solare interno (a dx) a confronto. Crediti: Wikimedia Commons

Vediamole, dunque, le due “pietre preziose” trovate con il setaccio made in Google. Uno, Kepler-90i, è appunto l’ottavo pianeta del sistema di Kepler-i90, una stella simile a Sole a 2545 anni luce da noi. Ottavo solo in ordine di scoperta, perché come distanza dalla sua stella è il terzo pianeta (clicca sull’immagine qui a fianco per ingrandirla). È la “Terra” di quel sistema, insomma, ma dalle caratteristiche molto più simili a Mercurio: vicinissimo al suo sole, compie una rivoluzione ogni 14.4 giorni e ha una temperatura in superficie di quasi 430 gradi. L’altro pianeta rimasto intrappolato nella rete neurale, anch’esso grande più o meno come la Terra, è Kepler-80g: il sesto membro della famiglia di Kepler-80, i cui pianeti danno luogo a una catena di risonanze orbitali, come quelli del celebre Trappist-1.

Tornando al metodo usato, vale la pena osservare che questo non è certo il primo esempio di scoperta astronomica “firmata” da un algoritmo. Per esempio, nemmeno due mesi fa, qui su Media Inaf, abbiamo dato conto d’una rete neurale convoluzionale usata per individuare lenti gravitazionali.

«L’intelligenza artificiale, e in particolare il deep learning, sta acquistando un ruolo primario in diversi settori dell’astronomia, a causa della complessità e dimensione dei dati che acquisiremo con le campagne osservative di prossima generazione, come quella del Large Synoptic Survey Telescope (Lsst), in cui Inaf ha recentemente preso parte e che entrerà in funzione nel 2021», conferma Nicola Napolitano, astrofisico all’Inaf-Osservatorio astronomico di Capodimonte, al quale ci siamo rivolti per un commento. «Si pensi che una delle nostre ricerche più difficili riguarda l’individuazione di deboli archi gravitazionali intorno a galassie ellittiche, e di queste ne troviamo una ogni circa 50mila galassie osservate. Sarebbe impensabile effettuare questa ricerca a occhio in survey di milioni se non miliardi di galassie, come faremo con Lsst, mentre stiamo già sviluppando tecniche che trovano questi archi in maniera automatica in immagini astronomiche».

«Per prepararsi a questi appuntamenti», prosegue Napolitano, «l’Inaf, con l’Osservatorio astronomico di Capodimonte, ha formato con altri otto istituti e università europee (di Belgio Germania, Regno Unito, Olanda e Spagna) un Marie Curie Innovative Training Network denominato Sundial, finanziato dalla Comunità europea proprio con lo scopo di far incontrare astronomi e computer scientists per lo sviluppo di tecniche innovative, da utilizzare sia per l’astronomia che per altre applicazioni utili alla società».

Per saperne di più: