Ricerca | Computazione Naturale

Mission

Il Laboratorio di Computazione Naturale conduce attività di ricerca all’intersezione tra la computazione nature-inspired e la risoluzione di problemi del mondo reale, da due punti di vista diversi e complementari, ma caratterizzati da una forte interazione reciproca:

• l’applicazione di simulazioni computazionali in grado di replicare fenomeni naturali per una loro migliore comprensione;
• lo sviluppo di algoritmi di Artificial Intelligence (AI), che traggono ispirazione metaforica da sistemi e fenomeni naturali.

La mission del laboratorio è promuovere una profonda comprensione dei sistemi naturali come modelli di calcolo, coprendo la ricerca di base, come lo sviluppo di nuovi algoritmi e la progettazione di applicazioni innovative e interdisciplinari dei metodi di Computazione Naturale per la risoluzione di problemi complessi del mondo reale.

In particolare, l’attività di ricerca si concentra su una vasta gamma di tematiche, tra cui:

• Nature-Inspired Algorithms: ricerca di base nell’ambito di Evolutionary Computation, Developmental e Grammatical Computing, Swarm Intelligence, Immunocomputing, Neurocomputing, Metaheuristics e metodologie correlate;
• Explainable and Interpretable AI (XAI): avanzamento di soluzioni AI eque, interpretabili e trasparenti, specificamente progettate per domini scientifici e applicazioni reali, come l’analisi di algoritmi di ottimizzazione euristica, lo sviluppo di nuovi metodi di AI spiegabile, E-Health, Medicina personalizzata e di precisione, ecc. Questo sforzo interdisciplinare prevede la collaborazione con esperti di settore per sviluppare sistemi esplicabili che siano efficaci e di facile utilizzo;
• Modelli neuro-computazionali dell’apprendimento motorio: comprendere i processi neurali cerebrali coinvolti nella generazione di compiti motori complessi per modellare l’interazione dei diversi livelli del sistema nervoso e valutare in che misura lesioni delle diverse parti del sistema nervoso influiscono sulle abilità motorie.
• Elaborazione di documenti manoscritti: sviluppare metodi e algoritmi per la lettura automatica attraverso un approccio basato sui modelli neurocomputazionali dell’apprendimento motorio e tecniche di apprendimento automatico, e una nuova metodologia per valutare le prestazioni di tali sistemi in una prospettiva user-centric.
• Interazione Uomo-Robot: valutare il comfort misurando la somiglianza con il movimento umano, che definiamo “somiglianza umana”, colmando così una notevole lacuna nella letteratura in assenza di un indice quantitativo per tale somiglianza. La creazione di una misura oggettiva che tenga conto delle caratteristiche specifiche del movimento umano rappresenterà un progresso significativo nel campo e faciliterà lo sviluppo di robot collaborativi sia nell'industria che nella medicina riabilitativa. Una vasta campagna sperimentale di sessioni di interazione uomo-robot collaborativo convaliderà l'indice di comfort.

Descrizione

Explainable and Interpretable AI (XAI)

Questo argomento di ricerca mira a indagare metodologie di Explainable e Interpretable Artificial Intelligence basate sulla Natural Computation, adatte ad affrontare problemi complessi in ambito medico e sanitario, con particolare attenzione alla risoluzione di problemi diagnostici, prognostici e di elaborazione dei segnali. In particolare, l’attività di ricerca si concentra sulla definizione e applicazione di metodologie basate sulla Natural Computation in due aree specifiche:

• Diagnosi precoce di malattie neurodegenerative progressive (ad esempio, morbo di Parkinson, morbo di Alzheimer, ecc.): queste metodologie sono in grado di identificare automaticamente soggetti malati attraverso l’analisi di moduli scritti a mano da potenziali pazienti. L’applicazione di tali approcci è particolarmente interessante poiché consente di inferire pattern espliciti e interpretabili per la classificazione e, allo stesso tempo, di identificare automaticamente un sottoinsieme di caratteristiche rilevanti per una diagnosi accurata.
• Trattamento dei pazienti diabetici di tipo 1 in terapia insulinica: dato che il diabete di tipo 1 è una malattia legata a una produzione insufficiente di insulina da parte del pancreas, una soluzione per migliorare la qualità della vita di questi pazienti consiste nella creazione di un pancreas artificiale capace di regolare artificialmente il dosaggio esterno di insulina. In questo contesto, le metodologie di Natural Computation mirano a estrapolare modelli di regressione interpretabili in grado di stimare il livello di glucosio nel sangue utilizzando i valori di glucosio interstiziale estratti da sensori indossabili. Questo rappresenta un passaggio preliminare cruciale per costruire i componenti base di un pancreas artificiale. Inoltre, considerando l’elevata complessità delle interazioni metaboliche reciproche tra glucosio e insulina, l’attività di ricerca si propone di dedurre modelli matematici espliciti che descrivano tali interazioni complesse.

Modelli neuro-computazionali dell’apprendimento motorio

L’attività di ricerca si concentra sull’analisi dei processi neurali coinvolti nella generazione di compiti motori complessi, con l’obiettivo di comprendere come i diversi livelli del sistema nervoso interagiscono, contribuendo al graduale miglioramento delle prestazioni motorie durante l’apprendimento. Questo obiettivo viene perseguito attraverso la realizzazione di modelli che integrano in una Neural Network le principali caratteristiche anatomiche, fisiologiche e biologiche delle aree corticali (motorie, somatosensoriali, ecc.) e dei sistemi sottocorticali (gangli della base e cervelletto) coinvolti nella realizzazione dei compiti motori. Comprendere questi meccanismi offre un contributo significativo in vari ambiti applicativi, dalla progettazione di arti robotici allo sviluppo di nuovi trattamenti riabilitativi per malattie neurodegenerative che coinvolgono il movimento, come il Morbo di Parkinson’s, la malattia di Alzheimer, la corea di Huntington e la sindrome di Tourette, e per i disturbi associati allo spettro autistico.

Elaborazione di documenti manoscritti

La comprensione del ruolo del sistema nervoso e dell’interazione con il sistema muscolo-scheletrico durante l’apprendimento di movimenti complessi viene utilizzata per sviluppare modelli di apprendimento della lettura di documenti manoscritti che integrano aspetti motori e cognitivi per la individuazione dei movimenti elementari utilizzati dallo scrivente con la rappresentazione cognitiva del compito. Questo approccio consente di sviluppare un approccio universale, indipendente dallo specifico linguaggio per tutte le applicazioni che richiedono la trasformazione del contenuto testuale di una immagine digitale nella sua rappresentazione attraverso stringhe di caratteri.

L’attività svolta ha anche evidenziato la necessità di disporre di una metodologia per la valutazione del rapporto costo/benefici nell’uso di tali sistemi che, a differenza dello stato dell’arte in cui le prestazioni vengono valutate su un test set senza tener conto del contesto applicativo, tenga in conto le modalità dell’interazione uomo-macchina e i suoi effetti sulle prestazioni complessive del sistema nello specifico contesto.

Federated Learning attraverso algoritmi Nature-Inspired

Negli ultimi anni, il Federated Learning (FL) è emerso come un approccio efficace per addestrare Neural Networks (NNs) su una rete di calcolo preservando la privacy dei dati. La maggior parte degli approcci FL esistenti richiede di definire a priori 1) una struttura predefinita per tutte le NNs operative sui client e 2) una procedura di aggregazione esplicita. Questi requisiti possono rappresentare un limite in situazioni in cui è difficile predefinire tali dettagli algoritmici. Recentemente, l’attività di ricerca del laboratorio ha proposto NEvoFed, un metodo di FL che sfrutta la NeuroEvolution eseguita sui client, in cui le strutture delle NNs sono eterogenee e l’aggregazione è realizzata implicitamente lato client.

Attualmente, la ricerca è orientata alla progettazione di un approccio innovativo al FL che non richieda la distribuzione dei modelli di apprendimento, ovvero dei parametri delle NNs, attraverso la rete, migliorando così la sicurezza. L’unica informazione scambiata nella comunicazione client/server è la performance di ciascun modello sui dati locali, permettendo l’emergere di architetture NN ottimali senza necessità di aggregare i modelli. Un’altra caratteristica interessante del framework in progettazione è che potrà essere utilizzato con qualsiasi algoritmo di Machine Learning, a condizione che, durante la fase di apprendimento, gli aggiornamenti del modello non dipendano dai dati di input.

Financial Networks Optimization

Il settore bancario, per sua natura, comporta un elevato livello di rischio: durante le operazioni quotidiane, le banche raccolgono passività a breve termine (tipicamente depositi dei clienti) e investono in attività a lungo termine (azioni, edifici, prestiti a imprese, ecc.). Tuttavia, tali depositi, e quindi la liquidità interna delle banche, fluttuano nel tempo a causa di pagamenti e prelievi effettuati dai depositanti. Questo espone le banche al rischio di una carenza di liquidità, che dovrebbe essere coperta attraverso la vendita di attività a lungo termine, solitamente a prezzi scontati. Per evitare questa situazione, le banche si assicurano reciprocamente contro il rischio di liquidità attraverso la condivisione incrociata delle posizioni di liquidità.

Questi depositi interbancari creano effettive reti finanziarie che, da un lato, consentono di trasferire facilmente denaro da banche in surplus a banche in deficit, ma, dall’altro, generano la possibilità che, in caso di una perdita sostanziale di liquidità o fallimento di una o più banche, tutte le altre a esse collegate possano collassare a causa del contagio finanziario. Gli economisti rappresentano le reti finanziarie come grafi pesati e diretti, dove i nodi rappresentano banche o altri intermediari e gli archi rappresentano transazioni finanziarie o esposizioni interbancarie.

L’attività di ricerca mira a identificare le migliori topologie di rete finanziaria che minimizzino il rischio di crisi sistemiche in presenza di shock di liquidità con caratteristiche diverse. Prendendo in prestito la rappresentazione dei grafi dall’economia, il problema viene riformulato come un problema di ottimizzazione ad alta dimensionalità del peso e della struttura di un grafo, affrontato utilizzando algoritmi di Evolutionary Computation distribuita e di Swarm Intelligence.

Human-Robot Interaction

Dall'emergere dell'interazione uomo-robot (HRI) come campo, sono stati condotti diversi studi sull'uso di nuovi sistemi robotici nell'industria manifatturiera per quanto riguarda la dimensione ``sociale'', in particolare in relazione ai limiti del carico di lavoro cognitivo e percettivo per gli operatori dei robot, che possono compromettere l'accettazione.

Una strategia per affrontare l'accettazione dei robot da parte degli utenti passa attraverso la progettazione di robot che assomiglino agli esseri umani sia nell'aspetto fisico che nel comportamento. A tal fine, la ricerca recente ha portato allo sviluppo di robot intelligenti ispirati al cervello, capaci di emulare gli esseri umani e gli animali sia nelle strutture esterne che nei meccanismi interni. Ciò è possibile grazie all'integrazione di cognizione visiva, processo decisionale, controllo del movimento e sistemi muscolo-scheletrici.

Questo progetto di ricerca è sostenuto dal concetto di contagio motorio, secondo il quale le azioni motorie di un individuo sono involontariamente influenzate dall'osservazione e dall'esperienza dei movimenti degli altri. Il grado di contagio motorio è influenzato dalla somiglianza con l'uomo di un robot: maggiore è la somiglianza tra i movimenti e l'aspetto del robot e dell'uomo, più forte è l'effetto di contagio motorio. Anche la cinematica del movimento, come il profilo di velocità e la traiettoria dell'arto, può variare il grado di risonanza motoria evocato nell'osservatore. In particolare, è stato osservato che i movimenti ad alta velocità aumentano l'ansia e la percezione del rischio tra i colleghi umani, che di conseguenza mostrano un comportamento sgradevole e inefficiente. Pertanto, la parametrizzazione temporale è fondamentale nella progettazione di processi di pianificazione del movimento per l'interazione uomo-robot.

In questo contesto, le attività di ricerca mirano a definire un indice globale e quantitativo di comfort nell'interazione uomo-robot che possa essere calcolato senza la necessità di sperimentare il movimento stesso. Attualmente non esiste un indice di questo tipo: gli indici disponibili sono qualitativi, a posteriori, o quantitativi, basati principalmente sulle caratteristiche locali del movimento. Inoltre, poiché nella maggior parte degli scenari applicativi, come la riabilitazione motoria o la robotica collaborativa, è preferibile che la pianificazione sia indipendente dall'esperienza, è fondamentale disporre di un indice di comfort a priori nel tentativo di pianificare traiettorie simili a quelle umane.

Didattica

Il NCLab fornisce supporto didattico ai corsi di Artificial Intelligence (MSc in Electrical Engineering for Digital Energy) e Natural Computation (MSc in Information Engineering for Digital Medicine e MSc in Information Engineering), nonché alle attività di tesi di studenti del BSc e MSc in Computer Engineering e di dottorandi in Information Engineering.

Nell’ambito delle attività progettuali dei corsi di Artificial Intelligence e Natural Computing, il laboratorio mette a disposizione piattaforme hardware e ambienti di sviluppo per:

• la progettazione e simulazione di agenti intelligenti;
• lo sviluppo e la valutazione delle performance di metodologie di Natural Computation con applicazione a problemi del mondo reale.

Strumentazione

Wacom Intuos A4

• Descrizione: Tavoletta grafica
• Principale utilizzo: Acquisizione online di campioni di scrittura manuale e grafismi

Wacom Bamboo folio

• Descrizione: Tavoletta grafica
• Principale utilizzo: Acquisizione online di campioni di scrittura manuale e grafismi

ASL-5000

• Descrizione: Eye-tracking con tracciamento magnetico della testa
• Principale utilizzo: Validazione di modelli computazionali dei movimenti saccadici durante l’osservazione di scene in condizioni controllate

ASL-500 ME

• Descrizione: Eye-tracking mobile
• Principale utilizzo: Validazione di modelli computazionali dei movimenti saccadici durante l’osservazione di scene in condizioni controllate

Server Linux

• Descrizione: Server ad alte prestazioni con multicore e GPU
• Principale utilizzo: Implementazione di algoritmi di Evolutionary Computation, Swarm Intelligence, Neuroevolution, Immunocomputing e Architetture di Reti Neuroniche Deep

Server Windows

• Descrizione: Server ad alte prestazioni con architettura RAID multicore
• Principale utilizzo: Implementazione di modelli neuro-computazionali