Il Machine Learning e la fisica

Da qualche anno è diventato sempre più comune sentir parlare di “Intelligenza artificiale” (tipicamente abbreviata come AI) e di “Machine Learning” (ML). 
Vagamente sappiamo tutti che le intelligenze artificiali stanno prendendo piede come strumento essenziale per molte delle tecnologie che usiamo tutti i giorni come Google e la traduzione automatica. Con intelligenza artificiale si intende in generale un sistema informatico che simuli il comportamento e il pensiero umano, ma è una definizione molto vasta, e comprende il machine learning.
L’ultimo decennio è testimone di una prodigiosa ascesa di tecniche basate sul ML con decisivo impatto sulla guida autonoma, la sanità, la finanza e molti altri campi.
Il ML è percepito come una delle più dirompenti tecnologie degli ultimi tempi, tanto quanto lo sono stati i computer negli anni ’80 e ’90.
Ma che cos’è il Machine Learning?

Machine Learning

Il Machine Learning è un campo dell’intelligenza artificiale che ha come scopo quello di sviluppare algoritmi che siano capaci di imparare dai dati automaticamente. Questo vuol dire che un algoritmo di ML impara da solo senza seguire delle istruzioni esplicite; un esempio di ML nel quale si illustra un caso di spam detecting è riportato nella figura sotto.    

In poche parole  il ML funziona un po’ come una scatola chiusa che viene alimentata con dei dati, detti input, e che fornisce dei risultati, gli output. La meta generale del ML è quella di riconoscere dei pattern nei dati. Per esempio, in un sistema altamente complesso come quello di una macchina a guida autonoma, una vasta quantità di dati che proviene dai sensori dev’essere trasformata in una decisione su come controllare la macchina tramite un computer che ha imparato a riconoscere il pattern che indica un pericolo. 
Li abbiamo già nominati, ma è essenziale sottolineare l’importanza dei dati. È dai dati stessi che la macchina sa estrapolare gli schemi che sono la soluzione del problema che le poniamo, e senza un gran numero di dati la macchina non è in grado di imparare. È proprio l’incremento esponenziale di disponibilità di dati che abbiamo avuto negli ultimi anni tra i fattori principali della recente popolarità del machine learning.

Il Machine Learning e la Fisica

Finora abbiamo parlato del machine learning in sé e sembrerebbe essere un argomento da informatici. Che cosa ha a che fare il machine learning con la fisica? 
Machine learning e fisica condividono un rapporto di scambio reciproco. Il machine learning si presta come ottimo strumento per risolvere alcuni dei problemi della fisica, e dal suo canto la fisica si impegna a svelare i misteri della scatola chiusa che è il machine learning: non è ancora chiaro infatti perché il ML funzioni così bene e come faccia ad essere così efficiente nonostante il numero di dati e parametri in gioco sia altissimo. Questo rapporto di reciprocità non è sorprendente se si pensa al fatto che ML e fisica condividono alcuni dei loro metodi e dei loro obiettivi. Le due discipline sono entrambe interessate al processo di raccolta e analisi dati per sviluppare dei modelli che possano prevedere il comportamento di sistemi complessi.

I problemi della Fisica

Nel campo della biofisica, ovvero la fisica che studia i sistemi biologici, un passo avanti di particolare importanza è stata fatto recentemente da Google e dal suo AlphaFold. AlphaFold è un programma di deep learning che è in grado di predire la struttura di quasi tutte le proteine umane, un problema a lungo irrisolto della biologia e della fisica. Sempre nel campo della biofisica si è da poco iniziato a impiegare il machine learning per calcolare una quantità che è particolarmente rilevante per descrivere un sistema: l’entropia. L’entropia può essere usato come parametro per valutare l’irreversibilità di un sistema. Che cos’è l’irreversibilità? Un sistema altamente irreversibile si evolve secondo una direzione precisa del tempo ed è altamente improbabile che l’evoluzione contraria avvenga; un esempio: un bicchiere che cade da un tavolo e si frantuma è un sistema irreversibile, infatti è impossibile, o meglio molto improbabile, che il bicchiere da solo risalga sul tavolo e ritorni alla sua forma originale. Mentre discernere cosa è irreversibile e cosa no nel mondo macroscopico è un compito abbastanza semplice, non lo è nel microscopico. Allo scopo di quantificare l’entropia, e quindi di valutare l’irreversibilità di un sistema, si è deciso allora di usare il machine learning: i risultati sono stati finora soddisfacenti, ma questo tipo di studio è appena all’inizio.

Il machine learning in fisica viene usato anche per studiare le fasi della materia. Per intenderci, è ad esempio una fase della materia lo stato gassoso o liquido dell’acqua. Per passare da liquido a gassoso e viceversa l’acqua attraversa una transizione di fase. Queste transizioni di fase in sistemi anche diversi dall’acqua, più o meno complessi, sono di particolare interesse per i fisici. Si vorrebbe sapere quando avvengono queste transizioni di fase e qual è il parametro d’ordine, ovvero la quantità che regola queste transizioni: tornando al caso dell’acqua uno dei parametri d’ordine è la temperatura, alzando la temperatura ad esempio posso far evaporare l’acqua, e quindi far avvenire una transizione di fase. Il machine learning può essere in grado di imparare qual è il giusto parametro d’ordine e di localizzare dove avvengono le transizioni di fase senza avere una conoscenza a priori della fisica.

Nell’ambito della fisica delle particelle il machine learning viene usato, tra le altre cose, per identificare le tracce lasciate dalle particelle. Esperimenti come il Large Hadron Collider (LHC) e il Large Synoptic Survey Telescope (LSST) forniscono un enorme quantità di dati che devono essere confrontati con le predizioni di specifici modelli teorici. Anche dopo la loro riduzione e compressione, la quantità di dati raccolti in appena un’ora all’LHC è simile al volume di dati raccolti da Facebook in un intero anno. Il ML è ormai usato da decenni nella fisica delle particelle sperimentale per assistere all’identificazione di particelle e alla selezione di eventi. Quest’ultima si riferisce al compito di selezionare un piccolo sottoinsieme di collisioni tra particelle che sia rilevante per l’analisi che si sta facendo, ovvero che abbia una serie di caratteristiche che sono attese dall’evento che si sta cercando. Uno dei problemi principali in questo tipo di ricerca è il rumore di fondo che spesso produce segnali che assomigliano a quelli che si stanno cercando. Il ML è di fondamentale aiuto nella distinzione tra il segnale vero e quello prodotto dal rumore di fondo, il quale è dovuto a limiti sperimentali o effetti di meccanica quantistica.

Questi sono solo alcuni degli esempi di ML usato nella fisica. Data l’incredibile versatilità del machine learning ci si aspetta che il suo impiego non faccia che estendersi nei prossimi anni e che diventi uno strumento naturale nel compito di esplorare la realtà.

Giulia Proia

Sono dottoranda in fisica presso l’università Sapienza di Roma, dove ho anche conseguito la laurea triennale e magistrale. Il mio campo di specializzazione è la biofisica, ovvero la fisica applicata all’analisi di sistemi biologici, e in particolare studio sistemi di batteri usando il machine learning. Sono appassionata di letteratura, cinema e musica, e per questo credo fortemente nei mezzi di comunicazione e di conseguenza nella divulgazione. Sono qui per dare il mio piccolo contributo nell’enorme compito che è la condivisione della conoscenza.