Contextual encoding of states and indices for episodic memories make goal-directed action selection flexible, transparent, and efficient

Quando affrontiamo un nuovo problema, i nostri cervelli non si limitano a elaborare numeri per trovare la soluzione migliore. Al contrario, attingono al nostro passato, recuperando memorie specifiche di situazioni simili per guidare la nostra prossima mossa. Questa capacità di richiamare esperienze rilevanti e spiegare le nostre scelte basandoci su di esse è un segno distintivo dell'intelligenza umana. Per decenni, gli scienziati hanno cercato di costruire sistemi artificiali che imitassero questa flessibilità, ma la maggior parte dei metodi di successo si basa sulla memorizzazione di enormi quantità di dati in forme matematiche complesse, difficili da interpretare e che richiedono una potenza di calcolo immensa. Questi sistemi spesso faticano quando le regole del gioco cambiano o quando appare un nuovo obiettivo, costringendoli a ricominciare l'apprendimento da zero. La sfida per i ricercatori è stata quella di creare un sistema che impari rapidamente, si adatti istantaneamente a nuovi vincoli e possa spiegare le proprie decisioni in termini semplici, il tutto operando su dispositivi piccoli ed efficienti dal punto di vista energetico.

Un team di ricercatori della Graz University of Technology ha sviluppato un nuovo approccio chiamato Episodic Cognitive Map (Mappa Cognitiva Episodica), o ECM, che segue una strada diversa. Invece di cercare di comprimere tutta la conoscenza in numeri astratti, questo sistema funziona come una mente umana che tiene un diario dettagliato delle proprie esperienze. L'algoritmo esplora un ambiente compiendo camminate casuali, registrando ogni passo compiuto come una memoria distinta. Ciò che rende unico questo sistema è il modo in cui conserva e utilizza queste memorie. Non ricorda solo dove è stato; collega ogni luogo visitato al viaggio specifico di cui faceva parte. Se il sistema deve andare dal punto A al punto B, non calcola la distanza o il valore di ogni possibile percorso. Invece, consulta la sua biblioteca di viaggi passati e si chiede: "Quale dei miei viaggi precedenti includeva sia il punto in cui mi trovo ora sia il punto in cui voglio andare?". La risposta a questa domanda indica direttamente il passo successivo migliore.

I ricercatori hanno testato questa idea in ambienti simulati che imitano compiti decisionali complessi, inclusi grafi con centinaia di località e situazioni in cui le azioni hanno esiti incerti. In questi test, l'algoritmo ECM ha dimostrato di essere straordinariamente efficiente. Ha imparato a navigare da qualsiasi punto di partenza a qualsiasi obiettivo con una velocità e un'accuratezza che rivaleggiano con metodi di intelligenza artificiale molto più complicati. Fondamentalmente, ha ottenuto questo risultato utilizzando solo semplici connessioni binarie tra le sue cellule di memoria e i suoi neuroni decisionali. Ciò significa che il sistema non ha bisogno di eseguire pesanti calcoli matematici o di memorizzare numeri ad alta precisione. Può apprendere un nuovo ambiente, risolvere un problema di navigazione e spiegare la propria scelta indicando le specifiche esperienze passate che l'hanno supportata, il tutto senza dover riapprendere nulla quando l'obiettivo cambia.

La forza di questo sistema risiede nella sua capacità di adattarsi istantaneamente. In molti modelli di intelligenza artificiale, cambiare un obiettivo o aggiungere una nuova regola di sicurezza richiede il riaddestramento dell'intero sistema, un processo che può richiedere ore o giorni. L'algoritmo ECM, tuttavia, può regolare il proprio comportamento in una frazione di secondo. Se un percorso diventa bloccato o viene introdotto un nuovo vincolo di sicurezza, il sistema si limita a filtrare la sua biblioteca di memorie per ignorare quelle che coinvolgono il percorso bloccato o l'area non sicura. Successivamente, seleziona un nuovo percorso basandosi sulle memorie rimanenti valide. Questa flessibilità gli permette di gestire scenari complessi, come navigare in una città dove alcune strade sono chiuse o evitare aree ad alto rischio, senza mai dover interrompere la navigazione per riapprendere la mappa.

Per capire come ciò funzioni, immaginate il sistema che costruisce una mappa mentale non di distanze, ma di connessioni. Quando il sistema esplora una nuova area, crea una registrazione di ogni viaggio che compie. Ogni località in quest'area è contrassegnata dai viaggi specifici in cui è apparsa. Quando il sistema deve muoversi verso un obiettivo, attiva le memorie associate a quell'obiettivo. Queste memorie illuminano quindi le località che sono apparse frequentemente insieme all'obiettivo in passato. Il sistema sceglie semplicemente l'azione che conduce alla località con la connessione più forte all'obiettivo. Questo processo è così diretto che evita la necessità di calcoli complessi. Il sistema non ha bisogno di conoscere il valore di ogni possibile stato futuro; deve solo sapere quali esperienze passate collegano il presente al futuro desiderato.

I ricercatori hanno anche esplorato come questo sistema possa migliorare se stesso nel tempo. Hanno scoperto che, sostituendo occasionalmente le vecchie memorie meno utili con nuove derivate da tentativi di pianificazione riusciti, il sistema può perfezionare la propria mappa interna senza aumentare la dimensione della memoria. Questo processo, noto come auto-miglioramento ricorsivo, ha permesso all'algoritmo di diventare più efficiente nel trovare percorsi brevi man mano che acquisiva esperienza. Anche quando l'ambiente era imprevedibile, con azioni che portavano talvolta a esiti inaspettati, il sistema manteneva la sua capacità di trovare percorsi affidabili. Lo faceva pesando le proprie memorie in base a quanto spesso portavano al successo, imparando efficacemente una strategia che bilanciava rischio e ricompensa.

Uno dei risultati più significativi di questo lavoro è che il sistema può spiegare le proprie decisioni con completa trasparenza. Poiché ogni scelta si basa su un set specifico di esperienze passate, il sistema può mostrare esattamente quali memorie hanno portato a una particolare azione. Se un essere umano chiede perché il sistema abbia scelto un certo percorso, esso può indicare i viaggi specifici nella sua storia che hanno reso quel percorso promettente. Questo contrasta nettamente con molti sistemi di intelligenza artificiale moderni, che spesso agiscono come "scatole nere" dove il ragionamento dietro una decisione è nascosto all'interno di strati di matematica complessa. L'algoritmo ECM offre un modo per costruire macchine intelligenti che siano non solo efficaci, ma anche comprensibili e affidabili.

Le implicazioni di questa ricerca si estendono oltre la navigazione. I principi alla base dell'algoritmo ECM suggeriscono un nuovo modo per costruire un'intelligenza artificiale leggera, efficiente dal punto di vista energetico e capace di operare su piccoli dispositivi come sensori o robot. Poiché il sistema si basa su semplici connessioni binarie piuttosto che su complessi calcoli a virgola mobile, potrebbe essere implementato su hardware che consuma pochissima energia. Ciò lo rende un candidato ideale per l'edge computing, dove i dispositivi devono prendere decisioni rapide e intelligenti senza dipendere da una potente unità centrale. La capacità di adattarsi a nuovi contesti e di spiegare il proprio ragionamento lo rende particolarmente prezioso per applicazioni in cui la sicurezza e l'affidabilità sono fondamentali.

I ricercatori riconoscono che il loro lavoro attuale si concentra su ambienti in cui gli stati sono chiaramente definiti e etichettati. Pianificano di estendere questo approccio a situazioni più complesse in cui il sistema debba interpretare dati sensoriali grezzi, come immagini o suoni, per comprendere l'ambiente circostante. Mirano inoltre a esplorare come il sistema gestisca situazioni in cui la visuale attuale non fornisce informazioni sufficienti per sapere esattamente dove si trova. Nonostante queste sfide future, i risultati attuali dimostrano che un approccio semplice, basato sulla memoria, può raggiungere livelli di prestazione che competono con metodi molto più sofisticati. Tracciando ispirazione da come il cervello umano utilizza le memorie episodiche, i ricercatori hanno dimostrato che, a volte, le soluzioni più potenti sono quelle che si affidano alle connessioni più semplici e dirette tra passato e presente.