Sezione di Simulazioni ad agenti

A cura di: Dott. A.Cappellini, Dott. P.Mezzera , Dott. A.Vanara

Reti Neurali Artificiali

Le reti neurali artificiali sono algoritmi di calcolo ispirati ai meccanismi di funzionamento delle connessioni nervose del cervello.
In breve, una RNA, consiste di tre o più strati (layers) interconnessi di unità elementari di calcolo, denominate neuroni (o nodi). Il primo strato di neuroni (input) riceve le informazioni dall'ambiente, le elabora e trasmette i risultati allo strato successivo (hidden); questo, a sua volta, manipola i segnali ricevuti e li trasmette allo strato finale (output). Lo strato output, infine, trasferisce il risultato delle operazioni compiute all'esterno.
Come affermato in Parisi (1999), le unità elementari della RNA hanno alcune caratteristiche essenziali delle cellule nervose - i neuroni del sistema nervoso reale - mentre le connessioni, attraverso le quali un'unità influenza fisicamente le altre unità con cui è collegata, hanno alcune delle caratteristiche essenziali dei collegamenti sinaptici.
Ogni neurone della RNA riceve input provenienti dai nodi dello strato precedente (o dall'ambiente se fa parte dello strato input), li "aggiusta" secondo un meccanismo di calcolo basato sui pesi di interconnessione tra i diversi nodi e trasmette il risultato delle proprie elaborazioni - l'applicazione di una particolare funzione ai segnali ricevuti - ai neuroni dello strato successivo.
L'output che la rete genera in risposta all'input ricevuto dall'esterno dipende dai pesi delle connessioni; se tali pesi cambiano nel tempo anche il comportamento della rete si modifica.
I pesi di interconnessione tra i diversi nodi - poiché sono i soli elementi della rete neurale capaci di memorizzare informazione - sono i responsabili del comportamento e della capacità di apprendimento del modello neurale e giocano, quindi, un ruolo fondamentale nella costruzione della rete.
Una rete neurale artificiale, mediante particolari meccanismi di calcolo (come l'algoritmo di backpropagation dell'errore, descritto nel prossimo capitolo) può essere adattata in modo che ad ogni insieme di input provenienti dall'ambiente corrisponda un differente insieme di output. Ciò, in pratica, viene realizzato facendo "apprendere" la RNA sulla base di un insieme di esempi noti (target) e aggiustando il valore dei pesi dei singoli neuroni, fino a quando l'output della rete non corrisponde all'output desiderato.
Grazie a questo processo di confronto tra dati prodotti e dati desiderati, la rete neurale diventa capace di apprendere e di applicare a circostanze nuove le conoscenze acquisite (le RNA, data tale proprietà, risultano quindi particolarmente adatte a rappresentare, metaforicamente, le capacità cognitive di agenti a razionalità limitata).

torna alla pagina principale della sezione

torna alla home...