Alcuni ricercatori del MIT hanno sviluppato una “tavola periodica” che collega oltre venti algoritmi classici di machine learning attraverso una struttura matematica comune. Il nuovo framework, ispirato alla tavola degli elementi chimici, permette di visualizzare le relazioni tra metodi esistenti e di individuare spazi vuoti, rivelando una struttura sottostante che unifica quasi un secolo di ricerca nell’ambito del machine learning. Presentato alla International Conference on Learning Representations, il lavoro si propone come uno strumento di orientamento per la ricerca nel settore.
La scoperta è avvenuta quasi per caso quando la dottoranda Shaden Alshammari ha notato somiglianze matematiche tra gli algoritmi di clustering e apprendimento contrastivo. Il team ha progressivamente indagato e approfondito questa intuizione, includendo algoritmi che spaziano dai classificatori di spam fino ai modelli di deep learning alla base dei LLM. Il framework proposto (Information Contrastive Learning, abbreviato I-Con) propone un’unica equazione capace di descrivere molti tipi di algoritmi, dai classificatori antispam fino ai modelli di deep learning come gli LLM. L’equazione spiega come gli algoritmi individuano le connessioni nei dati reali e cercano di riprodurle internamente, riducendo al minimo la differenza tra le connessioni apprese e quelle effettive presenti nei dati di addestramento.
Secondo Mark Hamilton, tra gli autori dello studio, questo framework offre ai ricercatori uno strumento per esplorare sistematicamente lo spazio degli algoritmi possibili anziché procedere per tentativi, aprendo “nuove strade per la scoperta” nell’intelligenza artificiale.
Leggi l’articolo completo: ““Periodic table of machine learning” could fuel AI discovery” su MIT News
Immagine generata tramite DALL-E. Tutti i diritti sono riservati. Università di Torino (2025).
