🤖 AI

ASIA: an Autonomous System Identification Agent

Il documento introduce ASIA, un framework per agenti autonomi che sfrutta i grandi modelli linguistici per automatizzare l'intero processo di identificazione del sistema, dalla selezione del modello all'addestramento e alla valutazione, basandosi esclusivamente su descrizioni dei problemi in inglese semplice, riducendo così la dipendenza dalla sperimentazione e dall'errore degli esperti e al contempo evidenziando le sfide legate alla trasparenza e alla riproducibilità.

Autori originali: Dario Piga, Marco Forgione

Pubblicato 2026-05-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Dario Piga, Marco Forgione

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover insegnare a un robot come guidare un'auto, ma senza conoscere le regole della strada, le stranezze del motore o il modo migliore per sterzare. In passato, un esperto umano avrebbe dovuto passare anni a indovinare quale metodo di insegnamento funzionasse meglio, a modificare le lezioni e a riprovare ancora e ancora finché il robot non avesse finalmente imparato. Questo processo è lento, costoso e dipende fortemente dall'intuito dell'esperto.

Questo articolo introduce ASIA (Autonomous System Identification Agent), un nuovo strumento che agisce come un apprendista super-intelligente e instancabile capace di fare tutto questo indovinare e modificare da solo.

Ecco come funziona ASIA, scomposto in concetti semplici:

1. Il Problema: Il Labirinto del "Prova ed Errore"

Pensa a costruire un modello di un sistema del mondo reale (come un serbatoio d'acqua o un drone) come a cercare la ricetta perfetta per una torta. Devi decidere:

Gli Ingredienti: Devi usare farina, zucchero o forse una spezia segreta? (In termini tecnici: scegliere il tipo di modello, come una rete neurale o un'equazione fisica).
Le Impostazioni del Forno: A che temperatura e per quanto tempo? (In termini tecnici: iperparametri come la velocità di apprendimento o la dimensione dei dati).
Il Metodo di Mescolatura: Come li unisci? (In termini tecnici: l'algoritmo di addestramento).

Di solito, uno chef umano deve assaggiare la torta, rendersi conto che è troppo asciutta, aggiungere più uova, cuocerla più a lungo e assaggiare di nuovo. Questo richiede un'eternità.

2. La Soluzione: ASIA come lo "Chef Robot"

ASIA è un programma informatico alimentato da un Modello Linguistico di grandi dimensioni (pensa a un'intelligenza artificiale molto avanzata capace di scrivere e comprendere codice). Invece di uno chef umano, dai ad ASIA un'istruzione semplice in inglese semplice, come: "Ecco i dati da un sistema a serbatoio d'acqua; per favore, scopri come funziona."

ASIA entra quindi in un ciclo di auto-miglioramento:

Ipotesi: Indovina una nuova "ricetta" (una nuova struttura del modello).
Cottura: Scrive il codice per testare questa ricetta.
Assaggio: Esegue il codice e vede quanto bene il modello prevede il futuro.
Apprendimento: Se la torta è venuta male, legge i risultati, pensa: "Forse dovrei usare un tipo di farina diverso", e riprova.

Lo fa centinaia di volte senza mai aver bisogno che un umano tocchi la tastiera, finché non trova la ricetta migliore possibile.

3. La Prova Stradale: Due Sfide del Mondo Reale

Gli autori hanno testato ASIA su due "cucine" molto diverse per vedere se riusciva a preparare un buon pasto:

I Serbatoi d'Acqua (La Cucina Semplice): Immagina due secchi d'acqua collegati da un tubo. L'obiettivo è prevedere il livello dell'acqua nel secchio inferiore in base a quanta acqua viene versata in quello superiore.
- Risultato: ASIA è partito da un modello di base e semplice. Dopo alcuni tentativi, ha capito che il modello semplice non era abbastanza potente. Si è aggiornato a un "cervello" più complesso (una rete LSTM) e poi ha trovato un tipo specifico di rete (LTC) che imita naturalmente come l'acqua defluisce. Alla fine ha raggiunto i migliori risultati mai pubblicati per questo problema.
Il Nanodrone (La Cucina Complessa): Immagina un minuscolo drone con quattro eliche che vola intorno. Ha 12 parti in movimento diverse (posizione, velocità, angoli) che interagiscono tutte contemporaneamente.
- Risultato: ASIA è partito da un approccio standard. Poi, ha avuto un'idea brillante: invece di cercare di prevedere direttamente la posizione del drone, ha deciso di prevedere come cambia la velocità e poi calcolare la posizione da quella (imitando come funziona effettivamente la fisica). Ha anche capito come stabilizzare il processo di addestramento.
- Confronto: Quando gli autori hanno confrontato ASIA con una "ricerca casuale" (dove un computer sceglie semplicemente impostazioni casuali come una lotteria), ASIA ha trovato una soluzione molto migliore molto più velocemente. Ha battuto la ricerca casuale e ha persino superato i migliori metodi progettati dall'uomo degli studi precedenti.

4. Il Rovescio della Medaglia: La "Scatola Nera" e il "Fantasma nella Macchina"

Sebbene ASIA sia impressionante, gli autori sono onesti riguardo ai suoi difetti:

Il "Fantasma" (Perdita nei Dati di Test): A volte, anche se dici all'IA "non guardare l'esame finale", potrebbe accidentalmente imparare indizi dalle domande dell'esame perché ne ha letto nei suoi dati di addestramento o nei documenti di ricerca che gli hai fornito. È come uno studente che ha memorizzato la chiave delle risposte da un libro di testo invece di imparare la matematica.
La "Scatola Nera" (Mancanza di Trasparenza): ASIA può cuocere una torta perfetta, ma potrebbe non essere in grado di spiegare perché ha scelto quegli ingredienti specifici. Nella scienza, sapere perché un modello funziona è spesso importante quanto il modello stesso. Poiché ASIA modifica il proprio codice, il percorso che ha seguito per arrivarci è un po' un mistero.
Riproducibilità: Se chiedi ad ASIA di eseguire la stessa attività due volte, potrebbe venire fuori con due soluzioni leggermente diverse perché l'IA è un po' casuale. È come chiedere a uno chef umano di preparare lo stesso piatto due volte; potrebbe usare quantità leggermente diverse di sale.

La Conclusione

L'articolo conclude che ASIA non è un sostituto degli esperti umani, ma piuttosto un potente assistente.

Pensaci come a un acceleratore di ricerca. Può esplorare rapidamente migliaia di possibilità che un umano non avrebbe mai il tempo di controllare. Trova la "migliore ricetta" più velocemente di chiunque altro, ma gli umani sono ancora necessari per comprendere gli ingredienti, verificare i risultati e assicurarsi che la scienza abbia senso.

Gli autori vedono questo come un primo passo verso un futuro in cui l'IA aiuta gli ingegneri a progettare controller migliori, ottimizzare le macchine e risolvere problemi ingegneristici complessi, ma lo chef "capo" umano è ancora a capo della cucina.

Riepilogo Tecnico: ASIA – Un Agente Autonomo per l'Identificazione di Sistemi

Enunciato del Problema

L'identificazione di sistemi consiste nell'apprendere modelli dinamici da dati input-output, un processo che richiede una sequenza complessa di scelte progettuali interconnesse. I praticanti devono selezionare una classe di modelli (che va dagli spazi di stato lineari alle reti neurali non lineari), definire gli iperparametri architetturali (ad esempio, profondità della rete, funzioni kernel, tipi di celle ricorrenti) e sintonizzare gli iperparametri di ottimizzazione (ad esempio, tassi di apprendimento, regolarizzazione, dimensioni dei batch). Attualmente, queste decisioni dipendono fortemente dal trial-and-error empirico e dalla competenza di dominio. Sebbene esista un'automazione parziale per famiglie di modelli fisse (ad esempio, tramite ottimizzazione bayesiana), la selezione della classe di modelli e la progettazione dell'algoritmo di addestramento stesso rimangono in gran parte manuali, dispendiose in termini di tempo e dipendenti dall'intuizione dell'esperto.

Metodologia: Il Framework ASIA

Gli autori propongono ASIA (Autonomous System Identification Agent), un framework che delega la ricerca iterativa delle configurazioni di identificazione ottimali a un Large Language Model (LLM) che agisce come agente di codifica autonomo. Piuttosto che introdurre un nuovo algoritmo di identificazione, ASIA automatizza il processo di scoperta.

Componenti Principali

Il framework opera in un ciclo iterativo con intervento umano minimo, richiedendo solo una descrizione in inglese semplice del problema di identificazione. È composto da quattro componenti principali:

Descrizione del Problema: Un documento che dettaglia l'attività, i dati disponibili, la conoscenza fisica preliminare, gli approcci candidati e il protocollo di ricerca.
Pipeline di Valutazione Immutabile: Un sistema in sola lettura responsabile del pre-processing dei dati, della suddivisione per la validazione incrociata e del calcolo della metrica di valutazione ( $V(\theta)$ ). Ciò garantisce che tutte le soluzioni candidate siano valutate in condizioni identiche.
Componenti Modificabili ( $\theta$ ): Un insieme di file di codice che rappresentano architetture di modelli, funzioni di perdita e strategie di addestramento che l'agente può modificare liberamente.
Ciclo di Sperimentazione Iterativo:
- L'agente analizza la storia dei tentativi precedenti ( $T$ ), incluse le modifiche al codice e le metriche di prestazione.
- Formula un'ipotesi nuova e modifica il codice pertinente per implementare una nuova configurazione $\theta_k$ .
- L'agente esegue l'addestramento e la valutazione, osserva la nuova metrica e aggiorna il suo stato interno.
- Questo ciclo continua fino all'esaurimento del budget computazionale o alla saturazione delle prestazioni.

Il framework è istanziato utilizzando Claude Code alimentato dal LLM Sonnet 4.6. Supporta l'iniezione di conoscenza di dominio (ad esempio, leggi fisiche, riferimenti bibliografici) e strategie candidate, ma non le richiede.

Studi di Caso Empirici

Gli autori hanno valutato ASIA su due benchmark distinti, confrontando la sua efficienza di ricerca e la qualità finale del modello rispetto ai baseline.

1. Sistema a Due Serbatoi in Cascata

Compito: Identificare un sistema non lineare di due serbatoi d'acqua con livelli del serbatoio superiore non misurati e non linearità di saturazione rigida.
Protocollo: Validazione incrociata a 2 fold su una traiettoria di addestramento di 1024 campioni; valutazione tramite RMSE di simulazione in anello aperto.
Processo di Ricerca: Partendo da una RNN standard (4 unità nascoste, RMSE 0.681), l'agente:
- Iterazione 3: Passò a un LSTM a 2 livelli (128 unità) con backpropagation troncata, riducendo l'RMSE a 0.430.
- Iterazione 5: Introdusse un bias induttivo sostituendo l'LSTM con una rete Liquid Time-Constant (LTC/CfC) (64 stati nascosti). Questa architettura, strutturalmente predisposta ai sistemi dissipativi, ottenne un RMSE di validazione di 0.250.
Risultato: Il modello ensemble finale ha ottenuto un RMSE di test di 0.298, performando alla pari con i migliori risultati riportati nella letteratura del benchmark.

2. Dinamica del Nanodrone

Compito: Identificare la dinamica di volo di un quadrotore Crazyflie 2.1 (sistema MIMO a 12 stati) da dati di volo reali.
Protocollo: Validazione incrociata leave-one-trajectory-out; valutazione tramite Errore Assoluto Medio (MAE) su lanci di 50 passi.
Processo di Ricerca: Partendo da un LSTM a singolo strato (MAE 0.707), l'agente:
- Iterazione 3: Introdusse un'architettura informata dalla fisica (KinematicsLSTM) in cui la rete ricorrente prevede solo gli incrementi di velocità/velocità angolare, mentre posizione e assetto vengono recuperati tramite integrazione cinematica esplicita. Ha anche aumentato gli input con le velocità dei motori al quadrato per approssimare la spinta.
- Iterazione 7: Ha implementato il campionamento schedulato per stabilizzare l'addestramento, riducendo il MAE a 0.310.
- Le iterazioni successive hanno affinato la capacità e la cadenza di addestramento, raggiungendo un MAE finale di 0.286.
Confronto: ASIA ha superato un baseline di ricerca casuale (30 iterazioni) sia nelle prestazioni finali che nell'efficienza di ricerca, raggiungendo la migliore prestazione della ricerca casuale in sole tre iterazioni. Il modello finale ha superato il miglior metodo del documento originale del benchmark [9] in tutti i gruppi di output (posizione, velocità, assetto, velocità angolare).

Contributi e Affermazioni Chiave

Il documento apporta i seguenti contributi tecnici e affermazioni:

Automazione della Pipeline Autonoma: ASIA dimostra che un agente basato su LLM può condurre autonomamente l'intera pipeline di identificazione di sistemi, inclusa la selezione della classe di modelli, la progettazione architetturale e l'ottimizzazione della strategia di addestramento, senza intervento umano oltre al prompt iniziale.
Espansione dello Spazio delle Ipotesi: A differenza dei metodi di ottimizzazione classici (ricerca a griglia, ottimizzazione bayesiana) che operano su spazi parametrici fissi e a dimensione finita, ASIA esplora uno spazio combinatorio di classi di modelli e strategie di addestramento. L'agente ha proposto con successo soluzioni non banali, come strutture ibride fisica/scatola nera e rappresentazioni ispirate a Koopman, che non erano state predefinite esplicitamente.
Prestazioni Competitive: Il framework ha scoperto modelli che eguagliano o superano i risultati dello stato dell'arte su benchmark consolidati, validando la fattibilità dell'AI agenziale in questo dominio.

Limitazioni e Analisi Critica

Gli autori discutono esplicitamente diverse limitazioni e rischi associati all'approccio:

Perdita Implicita del Test: Anche senza accesso diretto alle etichette di test, l'agente potrebbe essere influenzato indirettamente dai log delle prestazioni di test o da conoscenze preliminari (letteratura) derivate da valutazioni sul set di test, portando potenzialmente a overfitting o bias implicito.
Trasparenza Metodologica: Sebbene il codice generato sia localmente interpretabile, la sequenza globale di decisioni che porta alla configurazione finale è opaca. Ciò riduce il "contributo scientifico" della metodologia, poiché la razionalità per scelte progettuali specifiche emerge da un processo iterativo automatizzato piuttosto che da un'ipotesi umana esplicita.
Riproducibilità: A causa della natura stocastica delle uscite degli LLM, la traiettoria esatta di ricerca non può essere perfettamente riprodotta tra esecuzioni diverse. Tuttavia, una volta selezionata una configurazione specifica, l'addestramento di quel modello specifico è riproducibile utilizzando pratiche standard.
Bias: La ricerca dell'agente è influenzata dai suoi dati di addestramento e dai suoi priors interni, favorendo potenzialmente architetture consolidate rispetto ad approcci nuovi e non convenzionali.

Significato e Conclusione

Il documento conclude che ASIA non dovrebbe essere visto come un sostituto dell'identificazione di sistemi guidata dall'uomo, ma come uno strumento complementare. Il suo valore principale risiede in:

Accelerazione del ciclo di sperimentazione.
Automazione delle scelte progettuali di routine.
Espansione dell'esplorazione dello spazio delle ipotesi oltre l'intuizione umana.

Gli autori sottolineano che l'esperienza umana rimane essenziale per interpretare i risultati, validare i modelli, progettare prompt e iniettare conoscenze preliminari rilevanti. Questo lavoro funge da studio empirico iniziale sul potenziale e sui limiti dell'AI agenziale nella ricerca ingegneristica, suggerendo applicazioni future nella sintonizzazione dei controllori e nella progettazione degli esperimenti.