DOE spiega: come il machine learning sta trasformando la ricerca scientifica

Che cos’è il machine learning?

Il machine learning è il processo mediante cui i computer individuano schemi in enormi insiemi di dati e formulano previsioni basate su ciò che hanno “imparato” da tali schemi. Si tratta di una sotto‑discipline specifica e ristretta dell'intelligenza artificiale (IA). Mentre l'IA completa comprende macchine capaci di percepire, apprendere e risolvere problemi con capacità simil‑umane, il machine learning si concentra esclusivamente sull'analisi statistica dei dati per riconoscere relazioni fra input e output desiderati.

Algoritmi alla base del machine learning

Tutti i sistemi di machine learning si basano su algoritmi, ovvero insiemi di istruzioni precise che il computer utilizza per risolvere problemi. Nel contesto del machine learning, gli algoritmi definiscono le regole statistiche che guidano l'analisi dei dati. Per addestrare un modello, gli scienziati forniscono un corpus di dati di addestramento; il sistema li elabora con gli algoritmi e impara a interpretare input simili in futuro.

Applicazione concreta: rilevamento del cancro da immagini TC

Una delle aree in cui il machine learning mostra promettenti risultati è la diagnosi del cancro tramite tomografia computerizzata (TC). Il processo tipico comprende:

• Raccolta di migliaia di immagini TC, alcune con tessuti cancerosi e altre sane.
• Definizione di criteri di ricerca, ad esempio i confini tipici dei tumori.
• Creazione di regole che collegano le caratteristiche delle immagini alle diagnosi mediche.
• Alimentazione del sistema con le regole e i dati di addestramento, permettendo al modello di apprendere a riconoscere i tessuti maligni.
• Applicazione del modello a nuove immagini di pazienti, con decisioni più rapide rispetto a un operatore umano.

I medici possono quindi utilizzare le predizioni del modello per supportare le decisioni diagnostiche e terapeutiche.

Tipi di apprendimento: supervisionato vs non supervisionato

Il modo in cui vengono organizzati i dati di addestramento determina la tipologia di apprendimento:

Apprendimento supervisionato

Se i dati sono etichettati, il sistema è supervisionato. Un’etichetta indica cosa rappresenta ciascun dato, ad esempio “lesione cancerosa” o “tessuto sano”. Il modello apprende così tramite esempi concreti, ma la fase di etichettatura richiede notevoli risorse temporali.

Apprendimento non supervisionato

Se i dati non hanno etichette, il sistema è non supervisionato. Nell’esempio delle scansioni TC, il modello riceve un grande volume di immagini e informazioni sui tipi di tumore, ma deve “scoprire” autonomamente quali caratteristiche indicano la presenza di cancro. Questo approccio riduce il carico di lavoro umano, ma può ridurre l’accuratezza delle previsioni a causa dell’assenza di guide esplicite.

Apprendimento per rinforzo

Alcuni sistemi di machine learning migliorano le loro capacità attraverso il feedback sui risultati ottenuti, un approccio noto come reinforcement learning. Nel contesto medico, il modello può ricevere informazioni sui risultati di ulteriori test diagnostici e affinare i propri algoritmi per fornire previsioni più precise in futuro.

Il ruolo del DOE nell’avanzamento del machine learning

Il Dipartimento dell’Energia, tramite l’Office of Science, sostiene la ricerca sul machine learning tramite il programma Advanced Scientific Computing Research (ASCR). Questo programma comprende un portafoglio che spazia dalla gestione dei dati, all’analisi, alle tecnologie informatiche avanzate, contribuendo in modo significativo allo sviluppo di IA e machine learning. Il DOE possiede anche alcuni dei supercomputer più potenti al mondo, tra cui il più recente, Summit, situato all’Oak Ridge National Laboratory, progettato appositamente per applicazioni di intelligenza artificiale.

Machine learning al servizio della scienza

L’intera Office of Science del DOE è impegnata a integrare il machine learning nella ricerca scientifica. Le strutture di ricerca, come acceleratori di particelle e sorgenti di luce X, generano enormi quantità di dati. Grazie al machine learning, gli scienziati riescono a identificare pattern o strutture nei dati che sarebbero altrimenti invisibili all’occhio umano, con velocità centinaia o migliaia di volte superiori rispetto alle tecniche tradizionali.

Fatti rapidi

• Summit, il supercomputer più recente del DOE, presenta un’architettura ottimizzata per le applicazioni di IA.
• Il machine learning consente agli scienziati di analizzare quantità di dati che prima erano inaccessibili.
• Ricercatori finanziati dal DOE hanno impiegato il machine learning per sviluppare nuovi test di screening oncologico, approfondire le proprietà dell’acqua e controllare autonomamente esperimenti scientifici.
• Il “physics‑informed machine learning” combina reti neurali profonde con leggi fisiche specifiche, permettendo di risolvere problemi scientifici complessi mediante apprendimento supervisionato.
• Gli algoritmi di machine learning non sono una soluzione universale: lo sviluppo di questi sistemi è soggetto a errori umani e bias, richiedendo progettazioni rigorose analoghe a quelle del software tradizionale.

Risorse e iniziative del DOE

Per approfondire il tema, il DOE mette a disposizione diverse risorse:

• Office of Science – Advanced Scientific Computing Research program
• Office of Science – Artificial Intelligence and Machine Learning Initiative
• Executive Guide to Artificial Intelligence
• Report al Congresso sul supporto del DOE a IA e machine learning

Evidenze scientifiche recenti

Tra le evidenze più rilevanti, il DOE ha pubblicato diversi highlight che dimostrano il potenziale del machine learning:

• Accelerazione della progettazione di metamateriali grazie al machine learning.
• Velocizzazione della modellazione del moto molecolare.
• Miglioramento della diagnostica negli acceleratori di particelle.
• Scoperte innovatrici nella chimica quantistica potenziata da tecniche di machine learning.

Articoli di approfondimento

Alcuni feature offrono una panoramica sul futuro della ricerca:

• “Stargazing with Computers”: come il machine learning può insegnarci nuovi aspetti del cosmo.
• “What Can Science Gain from Computers that Learn?”: un'analisi delle opportunità offerte dalle macchine che apprendono.
• “Learn how machine learning helps advance fusion power research”: il ruolo dell’apprendimento automatico nella ricerca sulla fusione.

Conclusioni

Il progetto “DOE Explains” fornisce spiegazioni chiare sui termini e i concetti fondamentali della scienza, mostrando al contempo come tali concetti vengano applicati dalle attività dell’Office of Science del Dipartimento dell’Energia. Attraverso l’integrazione del machine learning, il DOE sta accelerando la scoperta scientifica, rendendo possibile l’analisi di dataset un tempo inaccessibili e aprendo la strada a innovazioni in campo medico, materiale, fisico e oltre.