Viviana Acquaviva

Esplorare l’Universo con i bit, con l’ausilio di algoritmi intelligenti che riescono in imprese straordinarie grazie alla capacità di imparare e auto-addestrarsi e all’enorme potenza di calcolo.

E così il machine learning sta trovando sempre più terreno fertile in astrofisica, proiettando il nostro sguardo sempre più nello spazio profondo.

Viviana Acquaviva, astrofisica alla City University of New York, studia l’Universo e lo fa utilizzando proprio i metodi dell’intelligenza artificiale.

Perché la data science è in fondo una sorta di nuova frontiera per lo studio del cosmo: riesce a supportare il lavoro, certosino, di ricerca e classificazione degli oggetti celesti, come per esempio le galassie, a cui si dedica la ricercatrice italiana che è negli Stati Uniti ormai da quindici anni.

Del resto, come ha spiegato in molte occasioni Alyssa Goodman, professoressa di Astronomia ad Harvard, codirettrice del Radcliffe Institute for Advanced Study e pioniera nel campo della visualizzazione di dati astronomici, i dati che arrivano dai telescopi di ultima generazione pongono delle sfide assolutamente nuove. Non soltanto perché troppi, parliamo di una mole enorme di dati, ma anche troppo complessi per poterli gestire in modo tradizionale.

Viviana Acquaviva in che modo il machine learning sta cambiando il modo di studiare l’Universo?

In tanti modi, direi. Innanzitutto consente di risparmiare tempo: magari non sembra così rivoluzionario ma per noi lo è, perché l’Universo è un posto gigantesco, con miliardi di galassie, e analizzarne la formazione e l’evoluzione è un’impresa molto complessa. Ebbene, l’intelligenza artificiale ci aiuta ad affrontare la complessità insita nell’indagare l’Universo, automatizzando alcuni dei compiti svolti tradizionalmente da astronomi e astronome, come l’analisi dei dati delle immagini astronomiche rilevate dagli osservatori.

E considerando che con le nuove generazioni di telescopi, come il James Webb Space Telescope e il Vera Rubin Observatory, potremo osservare miliardi di sorgenti astronomiche – stelle, pianeti extrasolari, galassie… – ritrovandoci dunque una quantità di dati enorme rispetto a quella generata dagli osservatori del passato, l’intelligenza artificiale potrà davvero aiutarci nello svolgere questi compiti altrimenti proibitivi. Insomma, con l’ausilio dei computer è più facile gestire enormi quantità di dati complessi.

Quali sono le applicazioni del machine learning in astrofisica che hanno avuto più successo o hanno fatto la differenza nel suo campo di ricerca?

Senza fare una gerarchia, secondo me è molto significativa una delle prime applicazioni del machine learning ai dati astronomici. Mi riferisco alla classificazione morfologica delle galassie.

Un centinaio di anni fa Edwin Hubble scoprì che esistevano tante galassie oltre la Via Lattea e ne propose una classificazione in base alla forma. Osserviamo infatti galassie a spirale, come la nostra, che hanno un centro più luminoso e strutture visibili spiraliformi, oppure galassie ellittiche, sferoidali, e galassie che hanno forme irregolari, magari perché sono piccoline o hanno avuto delle collisioni con altre.

Il machine learning, potendo avvalersi di esempi rappresentativi da cui imparare, ha contribuito in modo decisivo ad accelerare questa analisi morfologica, l’associazione cioé di ogni galassia osservata a una forma, consentendo di classificarle automaticamente in tempi molto molto rapidi.

Ma non solo. Ha migliorato notevolmente la capacità di analisi delle immagini e dei dati rispetto ai metodi tradizionali, e così le immagini di stelle e galassie hanno svelato nuove informazioni. Per esempio gli algoritmi hanno evidenziato altri tipi di galassie suggerendoci che forse quelle che stiamo usando non sono le categorie fondamentali per la loro classificazione. Aprendo così nuove domande: perchè l’algoritmo ci propone una classificazione diversa? Il modello di Hubble deve essere aggiornato, ha bisogno di un update?

Quindi è come avere un occhio più potente, in grado di cogliere dettagli che noi non vediamo?

Sì, è come avere un occhio che può valutare milioni di immagini in tempi brevi, cosa impossibile per una persona, e cogliere informazioni “nascoste”, dettagli in strutture complicate, e così aprire nuove opportunità di ricerca.

In quest’ottica, è corretto supporre che per fare ricerca in astrofisica saranno sempre più richieste, o comunque faranno la differenza, le competenze computazionali?

Per chi vuole dedicarsi all’astronomia e all’astrofisica, credo sarà determinante conoscere il linguaggio della programmazione e della visualizzazione dei dati. Ma lo sarà non solo per fare ricerca. Sono competenze pratiche fondamentali e spendibili sul mercato del lavoro.

Per questo ha voluto introdurre dei corsi obbligatori di machine learning al corso di laurea in Fisica dove insegna?

Sì. La Cuny è un’università pubblica e credo sia importante che i miei studenti e le mie studentesse acquisiscano competenze in fisica computazionale applicata, intelligenza artificiale, quantum computing… Penso che siano competenze importanti che chi si laurea in fisica debba avere, indipendentemente se continuerà a fare ricerca o lavorerà al di fuori del mondo accademico. A tal proposito, credo che sia ancora troppo diffusa un’idea del fisico che è tutta da rivoluzionare, e uso il genere maschile perchè quest’idea contiene anche un’identità di genere.

Solitamente quando pensiamo a chi fa fisica pensiamo alla figura di Einstein  e alla lavagna, ma credo che questo non sia più attuale.

Perché fare fisica oggi è completamente diverso da 100 anni fa. Oggi c’è molta enfasi sui metodi computazionali e penso che vadano insegnati subito, senza aspettare che gli studenti o le studentesse arrivino al dottorato, anche perché in fondo molti sono già ottimi programmatori, magari per altri motivi, e allora perché non sfruttare il loro interesse e la loro familiarità con questi strumenti!?

E poi c’è un altro mito da sfatare.

Quale?

Si continua a dare per scontato che chi si iscrive al corso di laurea in fisica voglia fare una carriera accademica. Ma non è così. Studiare fisica è utile oltre che bello, allena al problem solving, e se diamo ai nostri studenti le skill che oggi sono molto richieste dal mondo del lavoro, quindi competenze computazionali, AI e machine learning, offriamo loro più opportunità. Vuol dire che chi si laurea in fisica ha più porte aperte, non solo il sentiero tracciato del dottorato. E questo è davvero importante qui negli Stati Uniti dove c’è un divario sociale molto marcato fra chi frequenta le università pubbliche, come la Cuny, e quelle private. Questa è una delle mie missioni.

A proposito di missioni, pensa di poter essere un role model e contribuire a scardinare l’immagine della fisica terreno di gioco per soli uomini e, in generale, avvicinare le ragazze al mondo Stem che sono, tra l’altro, una chiave di accesso e successo nel mondo del lavoro? In fondo nel 2020 Wired l’ha inserita nella lista delle cinquanta donne che hanno fatto e fanno la storia dell’informatica, e nel 2018 InspiringFifty l’ha nominata una delle 50 più influenti Women in Tech in Italia.

Sì, anche se non voglio focalizzarmi troppo su di me e su queste classifiche, anche se ovviamente ne sono onorata. Secondo me rappresentano un’occasione per entrare in contatto con altre donne da cui imparare e con cui pensare a come effettivamente ispirare le più giovani. Perchè è importante aumentare la presenza e la visibilità delle donne e di altre categorie, altre minoranze, che purtroppo si vedono poco nei ruoli Stem, in modo che tutte e tutti si sentano incoraggiati a perseguire una formazione e una carriera in questo settore.

Sta scrivendo un libro, un manuale di testo sul machine learning per la fisica e l’astronomia che sarà pubblicato dalla Princeton University Press. Ma questa è solo una delle sfide che sta affrontando adesso. Quali sono le altre? 

Sul piano della ricerca mi sto occupando di intelligenza artificiale e simulazioni. Nel nostro campo ricorriamo alle simulazioni perché l’Universo è complesso, difficile da osservare. Ma come possiamo usarle come base per i nostri algoritmi, e soprattutto come facciamo a credere a queste simulazioni se non possiamo testarle direttamente? È una questione importante a cui lavoro da un paio di anni e su cui continuerò a lavorare per i prossimi anni.

Per quanto riguarda la didattica, invece, c’è un progetto che mi sta molto a cuore. Mi piacerebbe organizzare dei boot camp, programmi accelerati di training, per studenti appena laureati in Stem appartenenti a gruppi tipicamente poco rappresentati in questo campo, come persone di colore e indigene, o donne. Qui ne esistono già diversi di questi programmi formativi e di fatto fanno la differenza per accedere a carriere migliori, ma in genere hanno costi di ammissione elevati. Io vorrei poterlo offrire a ragazze e ragazzi talentuosi, ma tagliati fuori a causa delle loro condizioni economiche, grazie a borse di studio sponsorizzate da aziende o fondazioni.

Professoressa, per concludere le chiediamo una sua considerazione sull’impatto di machine learning e intelligenza artificiale sulla società, visto che sono sempre più pervasive.

É una domanda su una questione molto importante che ricevo abbastanza spesso. Rispondere però è difficile, perché machine learning e intelligenza artificiale hanno davvero molte ramificazioni ed è indubbio che stiano avendo e avranno un impatto enorme sulla società. Se da un lato sono entusiasta e ottimista perché consentono di fare cose straordinarie, penso per esempio alle prospettive eccezionali che aprono nel campo della ricerca scientifica e in ambito medico. Mi riferisco per esempio alla possibilità di diagnosticare più facilmente malattie rare o tempestivamente diversi tipi di tumore o all’opportunità di individuare la terapia più adatta al singolo paziente potendo accedere a un’enorme mole di dati: dalla sua storia clinica alla letteratura scientifica.

Dall’altro, però, si pone la questione della trasparenza e della qualità dei dati e della loro corretta interpretazione. Basti pensare all’idea di affidare agli algoritmi di machine learning la selezione del personale per attivare procedure più eque, sottovalutando la questione dei bias, dei pregiudizi. Gli algoritmi infatti, apprendendo dai dati storici che contengono ovviamente pregiudizi razziali e di genere, non fanno che riproporre scelte inquinate da questi bias, anzi, li amplificano.