Reti neurali: modelli e aspetti applicativi

Esiste una vasta gamma di problematiche nelle quali i convenzionali computer digitali ad architettura Von Neumann rivelano i loro limiti. Si tratta di problemi come il riconoscimento di forme, la comprensione del linguaggio naturale e la rappresentazione della conoscenza, che sono qualitativamente diversi da quelli classicamente implementabili nei computer. Ad esempio i problemi posti dal riconoscimento delle forme che costituiscono un sottoinsieme dei problemi detti aleatori e la classe dei cosiddetti problemi di ottimizzazione combinatoria non si presta ad una soddisfacente soluzione algoritmica se implementata nei computer tradizionali. Sia i problemi aleatori, sia quelli di ottimizzazione combinatoria sono caratterizzati da un altissimo numero di soluzioni, e il solo modo per risolverli è di ridurre drasticamente tale numero. I metodi di riduzione utilizzati sono noti come metodi euristici, e non sono applicabili in generale a tutti i problemi. I metodi euristici richiedono quasi sempre un grandissimo sforzo computazionale da parte dei calcolatori e spesso i tempi di risoluzione di un problema sono completamente inaccettabili. Da un po' di tempo per la soluzione dei problemi ad alto numero di soluzioni ci si è rivolti ad algoritmi ed architetture completamente differenti. Molti ricercatori, provenienti da diversi settori, hanno studiato e progettato innovative macchine ad architettura parallela, emulanti l'organizzazione e le funzioni del cervello, che si sono dimostrate in grado di risolvere sia i problemi aleatori sia quelli di ottimizzazione combinatoria non alla portata dei computer attuali. Tali macchine sono comunemente chiamate reti o sistemi neurali. La loro architettura definisce i cosiddetti modelli connessionistici o modelli di elaborazione parallela distribuita (Parallel Distributed Processing - P.D.P.). Le reti neurali si basano sull'idea di realizzare un processo di computazione attraverso l'interazione di un grande numero di semplici elementi chiamati neuroni. La novità principale di tali modelli rispetto i computer tradizionali è la non necessita di programmazione. Quest'ultima viene sostituita dalla possibilità di impostare sulla rete neurale una sorta di apprendimento che può essere spontaneo o guidato attraverso esempi. L'approccio mediante reti neurali consente sia di realizzare sistemi computazionali che posseggono caratteristiche simili a quelle dei sistemi biologici, sia di impostare in modo nuovo i problemi fondamentali dell'intelligenza artificiale. La teoria delle reti neurali si propone anche di riorganizzare i rapporti tra lo studio astratto e formale delle funzioni mentali (scienza cognitiva), e quello concreto del cervello visto come una macchina fisica (neuroscienze). I segni di un ravvicinamento tra scienza cognitiva e neuroscienze sono giustificati sia dagli sviluppi tecnologici, che consentono la costruzione dei sistemi neurali, sia dai progressi delle ricerche, condotte da fisici, psicologi e neurofisiologi, sullo studio fisico del cervello. La tesi si propone di fornire un quadro generale degli studi attuali sulle reti neurali, con particolare riguardo alle applicazioni computazionali e alla costruzione di memorie associative.