Buon lavoro, ottimi riferimenti bibliografici ed il collegamento allo spinglass, ma trovo affrettate certe affermazioni sulla AI forte possibile da queste tecnologie.
C'è una cosa che mi assilla da quando, studiando per la tesi, lessi i lavori originali di Hopfield a Amit. Ci mettono poche righe a passare da variabili binarie (sparo o non sparo {0,1}) a variabili di spin {+1,-1} ... Il risultato della mia tesi: per i vetri di spin non è la stessa cosa usare variabili binarie o di spin ... cambia il diagramma di fase.
Domanda stupida: ma tutto ciò non violerebbe la Legge di Moore ?.Ricordiamale:la 1 afferma che:«La complessità di un microcircuito, misurata ad esempio tramite il numero di transistor per chip, raddoppia ogni 18 mesi (e quadruplica quindi ogni 3 anni).»Nel 1965 Moore ipotizzò che il numero di transistori nei microprocessori sarebbe raddoppiato ogni 12 mesi circa.Nel 1975, questa assunto si rivelò vero,tant'è che questa ipotesi rimase per tutti gli anni ottanta e che verrà estesa per tutti gli anni novanta rimanendo valida fino ai giorni nostri.C'è comunque da considerare una cosa,che i limiti della prima legge di Moore starebbero solo nel raggiungimento dei limiti fisici imposti per la riduzione delle dimensioni dei transistor, e quindi della scala di integrazione, al di sotto dei quali si genererebbero effetti 'parassiti' indesiderati di natura quantistica nei circuiti elettronici.L'unico modo possibile e praticabile per aumentare le prestazioni di calcolo potrebbe essere rappresentato dalla tecnologia multicore ovvero dall'accoppiamento in parallelo di più processori come avviene peraltro nei supercalcolatori dei centri di calcolo e come avverrebbe a livello neuronali e sinapsi.La 2 Legge di Moore, è una legge tipicamente commerciale a mio avviso che recita così: «sarebbe molto più economico costruire sistemi su larga scala a partire da funzioni minori, interconnesse separatamente. La disponibilità di varie applicazioni, unita al design e alle modalità di realizzazione, consentirebbe alle società di gestire la produzione più rapidamente e a costi minori.»L'alternatica valida, secome me, sarebbe implementare in maniera massiccia e decisa, lo sviluppo degli Algoritmi Genetici!.Defizione di Algoritmo Generico:Un algoritmo genetico è un algoritmo euristico utilizzato per tentare di risolvere problemi di ottimizzazione per i quali non si conoscono altri algoritmi efficienti di complessità lineare o polinomiale. L'aggettivo "genetico", ispirato al principio della selezione naturale ed evoluzione biologica teorizzato nel 1859 da Charles Darwin, deriva dal fatto che, al pari del modello evolutivo darwiniano che trova spiegazioni nella branca della biologia detta genetica, gli algoritmi genetici attuano dei meccanismi concettualmente simili a quelli dei processi biochimici scoperti da questa scienza.La nascita degli algoritmi genetici trova origine dalle prime teorizzazioni di Ingo Rechenberg che, per la prima volta, nel 1960, cominciò a parlare di "strategie evoluzionistiche" all'interno dell'informatica.La nascita degli algoritmi genetici trova origine dalle prime teorizzazioni di Ingo Rechenberg che, per la prima volta, nel 1960, cominciò a parlare di "strategie evoluzionistiche" all'interno dell'informatica.La vera prima creazione di un algoritmo genetico è tuttavia storicamente attribuita a John Henry Holland che, nel 1975, nel libro Adaptation in Natural and Artificial Systems pubblicò una serie di teorie e di tecniche tuttora di fondamentale importanza per lo studio e lo sviluppo della materia. Agli studi di Holland si deve infatti sia il teorema che assicura la convergenza degli algoritmi genetici verso soluzioni ottimali sia il cosiddetto teorema degli schemi, conosciuto anche come "teorema fondamentale degli algoritmi genetici"[senza fonte]. Quest'ultimo teorema fu originariamente pensato e dimostrato su ipotesi di codifica binaria ma nel 1991, Wright, l'ha estesa a casi di codifica con numeri reali dimostrando anche che una tale codifica è preferibile nel caso di problemi continui d'ottimizzazione.Enormi contributi si devono anche a John Koza che nel 1992 inventò la programmazione genetica ossia l'applicazione degli algoritmi genetici alla produzione di software in grado di evolvere diventando capace di svolgere compiti che in origine non era in grado di svolgere.Nel 1995 Stewart Wilson re-inventò i sistemi a classificatori dell'intelligenza artificiale ri-denominandoli come XCS e rendendoli capaci di apprendere attraverso le tecniche degli algoritmi genetici mentre nel 1998 Herrera e Lozano presentarono un'ampia rassegna di operatori genetici. Gli operatori di Herrera e Lozano sono applicabili a soluzioni codificate mediante numeri reali ed hanno reso il campo dei numeri reali un'appropriata e consolidata forma di rappresentazione per gli algoritmi genetici in domini continui.In sintesi gli algoritmi genetici consistono in algoritmi che permettono di valutare diverse soluzioni di partenza (come se fossero diversi individui biologici) e che ricombinandole (analogamente alla riproduzione biologica sessuata) ed introducendo elementi di disordine (analogamente alle mutazioni genetiche casuali) producono nuove soluzioni (nuovi individui) che vengono valutate scegliendo le migliori (selezione ambientale) nel tentativo di convergere verso soluzioni "di ottimo". Ognuna di queste fasi di ricombinazione e selezione si può chiamare generazione come quelle degli esseri viventi. Nonostante questo utilizzo nell'ambito dell'ottimizzazione, data la natura intrinsecamente casuale dell'algoritmo genetico, non vi è modo di sapere a priori se sarà effettivamente in grado di trovare una soluzione accettabile al problema considerato. Se si otterrà un soddisfacente risultato, non è detto che si capisca perché abbia funzionato, in quanto non è stato progettato da nessuno ma da una procedura casuale.Gli algoritmi genetici rientrano nello studio dell'intelligenza artificiale e più in particolare nella branca della computazione evolutiva, vengono studiati e sviluppati all'interno del campo dell'intelligenza artificiale e delle tecniche di soft computing, ma trovano applicazione in un'ampia varietà di problemi afferenti a diversi contesti quali l'elettronica, la biologia e l'economia.
Un bel complemento alla conferenza; rispetto alla diretta, l'audio mi sembra MOLTO migliorato! Un paio sono quasi (😅) perfetti!
Muchísimas gracias por este video explicativo que pone voz a los premios nobel de física de este año. Saludos.
Buon lavoro, ottimi riferimenti bibliografici ed il collegamento allo spinglass, ma trovo affrettate certe affermazioni sulla AI forte possibile da queste tecnologie.
Grazie del video!
Saluti da Auckland 🤗
Grazie della spiegazione. Avrò bisogno di ulteriori passaggi del video ma capirò qualcosa.
Il Nobel ad un teorico ed un neuroscienziato?
Ma non era Big Bang Theory?
Riesci a mettere il link della conferenza? Grazie.
ecco qui
ruclips.net/user/live5PgIJRh1fMc?feature=share
Grazie per il video, anche io direi boh (da computer scientist )
C'è una cosa che mi assilla da quando, studiando per la tesi, lessi i lavori originali di Hopfield a Amit.
Ci mettono poche righe a passare da variabili binarie (sparo o non sparo {0,1}) a variabili di spin {+1,-1} ...
Il risultato della mia tesi: per i vetri di spin non è la stessa cosa usare variabili binarie o di spin ... cambia il diagramma di fase.
!!!!!!
Io penso che Galileo ed Albert Einstein non sarebbero d'accordo
Buongiorno
Buongiorno
Domanda stupida: ma tutto ciò non violerebbe la Legge di Moore ?.Ricordiamale:la 1 afferma che:«La complessità di un microcircuito, misurata ad esempio tramite il numero di transistor per chip, raddoppia ogni 18 mesi (e quadruplica quindi ogni 3 anni).»Nel 1965 Moore ipotizzò che il numero di transistori nei microprocessori sarebbe raddoppiato ogni 12 mesi circa.Nel 1975, questa assunto si rivelò vero,tant'è che questa ipotesi rimase per tutti gli anni ottanta e che verrà estesa per tutti gli anni novanta rimanendo valida fino ai giorni nostri.C'è comunque da considerare una cosa,che i limiti della prima legge di Moore starebbero solo nel raggiungimento dei limiti fisici imposti per la riduzione delle dimensioni dei transistor, e quindi della scala di integrazione, al di sotto dei quali si genererebbero effetti 'parassiti' indesiderati di natura quantistica nei circuiti elettronici.L'unico modo possibile e praticabile per aumentare le prestazioni di calcolo potrebbe essere rappresentato dalla tecnologia multicore ovvero dall'accoppiamento in parallelo di più processori come avviene peraltro nei supercalcolatori dei centri di calcolo e come avverrebbe a livello neuronali e sinapsi.La 2 Legge di Moore, è una legge tipicamente commerciale a mio avviso che recita così: «sarebbe molto più economico costruire sistemi su larga scala a partire da funzioni minori, interconnesse separatamente. La disponibilità di varie applicazioni, unita al design e alle modalità di realizzazione, consentirebbe alle società di gestire la produzione più rapidamente e a costi minori.»L'alternatica valida, secome me, sarebbe implementare in maniera massiccia e decisa, lo sviluppo degli Algoritmi Genetici!.Defizione di Algoritmo Generico:Un algoritmo genetico è un algoritmo euristico utilizzato per tentare di risolvere problemi di ottimizzazione per i quali non si conoscono altri algoritmi efficienti di complessità lineare o polinomiale. L'aggettivo "genetico", ispirato al principio della selezione naturale ed evoluzione biologica teorizzato nel 1859 da Charles Darwin, deriva dal fatto che, al pari del modello evolutivo darwiniano che trova spiegazioni nella branca della biologia detta genetica, gli algoritmi genetici attuano dei meccanismi concettualmente simili a quelli dei processi biochimici scoperti da questa scienza.La nascita degli algoritmi genetici trova origine dalle prime teorizzazioni di Ingo Rechenberg che, per la prima volta, nel 1960, cominciò a parlare di "strategie evoluzionistiche" all'interno dell'informatica.La nascita degli algoritmi genetici trova origine dalle prime teorizzazioni di Ingo Rechenberg che, per la prima volta, nel 1960, cominciò a parlare di "strategie evoluzionistiche" all'interno dell'informatica.La vera prima creazione di un algoritmo genetico è tuttavia storicamente attribuita a John Henry Holland che, nel 1975, nel libro Adaptation in Natural and Artificial Systems pubblicò una serie di teorie e di tecniche tuttora di fondamentale importanza per lo studio e lo sviluppo della materia. Agli studi di Holland si deve infatti sia il teorema che assicura la convergenza degli algoritmi genetici verso soluzioni ottimali sia il cosiddetto teorema degli schemi, conosciuto anche come "teorema fondamentale degli algoritmi genetici"[senza fonte]. Quest'ultimo teorema fu originariamente pensato e dimostrato su ipotesi di codifica binaria ma nel 1991, Wright, l'ha estesa a casi di codifica con numeri reali dimostrando anche che una tale codifica è preferibile nel caso di problemi continui d'ottimizzazione.Enormi contributi si devono anche a John Koza che nel 1992 inventò la programmazione genetica ossia l'applicazione degli algoritmi genetici alla produzione di software in grado di evolvere diventando capace di svolgere compiti che in origine non era in grado di svolgere.Nel 1995 Stewart Wilson re-inventò i sistemi a classificatori dell'intelligenza artificiale ri-denominandoli come XCS e rendendoli capaci di apprendere attraverso le tecniche degli algoritmi genetici mentre nel 1998 Herrera e Lozano presentarono un'ampia rassegna di operatori genetici. Gli operatori di Herrera e Lozano sono applicabili a soluzioni codificate mediante numeri reali ed hanno reso il campo dei numeri reali un'appropriata e consolidata forma di rappresentazione per gli algoritmi genetici in domini continui.In sintesi gli algoritmi genetici consistono in algoritmi che permettono di valutare diverse soluzioni di partenza (come se fossero diversi individui biologici) e che ricombinandole (analogamente alla riproduzione biologica sessuata) ed introducendo elementi di disordine (analogamente alle mutazioni genetiche casuali) producono nuove soluzioni (nuovi individui) che vengono valutate scegliendo le migliori (selezione ambientale) nel tentativo di convergere verso soluzioni "di ottimo". Ognuna di queste fasi di ricombinazione e selezione si può chiamare generazione come quelle degli esseri viventi. Nonostante questo utilizzo nell'ambito dell'ottimizzazione, data la natura intrinsecamente casuale dell'algoritmo genetico, non vi è modo di sapere a priori se sarà effettivamente in grado di trovare una soluzione accettabile al problema considerato. Se si otterrà un soddisfacente risultato, non è detto che si capisca perché abbia funzionato, in quanto non è stato progettato da nessuno ma da una procedura casuale.Gli algoritmi genetici rientrano nello studio dell'intelligenza artificiale e più in particolare nella branca della computazione evolutiva, vengono studiati e sviluppati all'interno del campo dell'intelligenza artificiale e delle tecniche di soft computing, ma trovano applicazione in un'ampia varietà di problemi afferenti a diversi contesti quali l'elettronica, la biologia e l'economia.
In un spazio limitato qualunque crescita esponenziale prima o poi satura.
@@francescorusso7730Exacto
Non è una legge ma una semplice affermazione, un'ipotesa