Un modello a rete neurale per lo studio di influenza di indici relativi alla circolazione globale dell’atmosfera sul clima a scala regionale

I computer utilizzano un paradigma di calcolo di tipo sequenziale basato su una sequenza di istruzioni programmate: la parte elettronica del computer, l’hardware, esegue una serie di istruzioni codificate in programmi, il software, in modo da svolgere il compito desiderato dall’utente. L’hardware ha un’architettura detta di von Neumann, in cui sono ben distinte la CPU o microprocessore (sede dell’elaborazione dell’informazione) e la memoria (RAM e ROM); esse sono collegate da gruppi di connessioni in cui viaggiano i dati detti BUS, utili alla trasmissione dell’informazione. Anche i programmi software rispecchiano questa struttura, separando i dati dall’algoritmo e considerando un flusso di controllo sequenziale. Più nel dettaglio, le operazioni dei computer convenzionali possono essere modellate nell’esecuzione del seguente ciclo:

1) preleva un’istruzione dalla memoria (accesso ai programmi)
2) preleva i dati richiesti da tale istruzione dalla memoria (accesso ai dati)
3) esegui l’istruzione
4) memorizza i risultati in memoria
5) vai al punto 1.

Le reti neurali, d’altro canto, sono costituite da un insieme di unità che processano parallelamente (o contemporaneamente) l’informazione, la quale risiede in tutta la rete; inoltre non vi è una netta separazione tra memoria e unità di elaborazione. Esse sono concepibili sia come macchine a se stanti costruite ad hoc (dispositivi elettronici e/o optoelettronici), sia come modelli matematici simulati via software sugli attuali computer.

Ma quali vantaggi offrono le reti neurali rispetto ai metodi computazionali tradizionali? Le caratteristiche principali delle NN che le rendono preferibili in molti compiti rispetto ai comuni elaboratori elettronici sono:

* robustezza e tolleranza agli errori: anche se sopraggiungono dei guasti in alcune unità ciò non inficia la prestazione della rete in modo significativo
* flessibilità: una NN può essere facilmente adattata per farla lavorare in un nuovo ambiente tramite l’apprendimento, senza bisogno di essere di volta in volta riprogrammata in Pascal, Fortran o C
* una NN può lavorare con dati affetti da rumore o incompleti
* velocità di elaborazione, dovuta al processamento parallelo dell’informazione da parte delle unità che compongono la rete
* capacità di associazione (fare analogie, trovare similarità)
* capacità di generalizzazione

Queste caratteristiche le rendono superiori ai computer digitali nel riconoscere meglio e più velocemente oggetti e volti, nel controllo dei movimenti ecc.

I punti deboli delle reti neurali risiedono per lo più in:

* le scarse capacità di calcolo
* la scarsa precisione
* l’incapacità di spiegazione dei risultati forniti: tali sistemi agiscono infatti come scatole nere in quanto in genere forniscono una risposta giusta o accettabile ma appunto non sono in grado di spiegarne il perché, che è racchiuso nella tabella dei pesi e quindi difficilmente leggibile da parte di un essere umano
* la necessità di una casistica di esempi di addestramento la più numerosa possibile.