GRAZIE A UNA RETE GENERATIVA AVVERSARIA

Hack the Planets, vincono tre ricercatori dell’Inaf

Novantatré anni in tre, tutti esperti di intelligenza artificiale e ricercatori all’Inaf di Bologna, Leonardo Baroncelli di Bagno a Ripoli, Ambra Di Piano di Arona e Antonio Addis di Sassari si sono aggiudicati il primo posto nell’hackaton sull’impiego del machine learning in astrofisica di Hack the Science 2022, sviluppando una rete neurale per il riconoscimento automatico di crateri marziani

     12/08/2022
Social buttons need cookies

I tre vincitori della sfida Hack the Planets 2022. Da sinistra: Antonio Addis, Ambra Di Piano e Leonardo Baroncelli

Sono tre giovani ricercatori all’Inaf di Bologna i vincitori dell’hackathon Hack the Planets, una delle sfide proposte per l’edizione 2022 di Hack the Science. Premio in palio: 300 euro a testa, e tanta soddisfazione. Alla fine la squadra vincitrice è stata proprio la loro: Leonardo Baroncelli, di Bagno a Ripoli (FI), Ambra Di Piano, di Arona (NO) e Antonio Addis, di Sassari – novantatré anni in tre, tutti esperti di intelligenza artificiale, e in particolare di codici di machine learning applicati all’astrofisica.

«È la prima volta che partecipiamo insieme a una competizione», dice Di Piano. «Ai partecipanti sono state proposte tre sfide incentrate su temi aperti dell’astronomia. Noi abbiamo deciso di presentare un progetto che rispondesse a due di queste sfide: la ricerca di crateri su Marte e lo sfruttamento dello spazio latente in tecnologie di intelligenza artificiale».

Riconoscere in modo automatico i crateri marziani, dunque. Più precisamente: applicare tecniche di computer vision e machine learning a immagini della superficie di Marte per ottenere quella che in gergo si chiama semantic segmentation al fine di individuare automaticamente i crateri. Ma come hanno fatto, i tre ricercatori dell’Inaf, a convincere la giuria? «La parte più impegnativa», spiega Baroncelli, «è stata cercare di adattare modelli di deep learning trovati in letteratura e riprodurne i risultati».

Alcune delle immagini fake, man mano sempre più realistiche, prodotte dalla rete generativa avversaria sviluppata da Addis, Baroncelli e Di Piano

Chiariamo anzitutto cosa si intende per semantic segmentation: è il processo con il quale ogni pixel di una data immagine viene associato a una classe semantica. In questo caso specifico, far sì che un algoritmo riesca a discernere fra i pixel che fanno parte di un cratere e quelli che invece non ne fanno parte. Un problema che noi umani risolviamo (quando ci riusciamo…) in modo del tutto intuitivo, mentre un computer deve essere addestrato ad hoc. Ed è proprio il metodo di addestramento quello che ha garantito la vittoria ad Addis, Baroncelli e Di Piano. Hanno infatti sviluppato una generative adversarial network, ovvero – semplificando un po’ – un modello in cui due reti neurali si sfidano a vicenda migliorando man mano le loro abilità: una nel generare immagini artificiali (fake) ma super realistiche – molto simili, se non indistinguibili, dalle immagini reali con cui è stata addestrata – e l’altra nel discriminare fra immagini fake e immagini reali.

E ora? Progetti insieme per il futuro? «Mah… Siamo tutti in stadi diversi della nostra carriera», dice Addis. «Sicuramente ci piacerebbe, compatibilmente con i nostri rispettivi impegni di ricerca, completare il progetto in tutte le parti che sono mancate alla deadline dell’evento».

Per saperne di più: