Perché il dominio è adatto
La minimizzazione dell'energia libera variazioneale e attesa è definita matematicamente, ma ogni applicazione dell’inferenza attiva – da un braccio robotico a un modello psichiatrico a una simulazione di policy – alla fine si basa su un’implementazione del modello generativo, un motore inferenziale e un backend numerico. Diversi toolchain hanno fatto diverse scelte qui: processi decisionali discreti a Markov osservabili parzialmente contro dinamiche a stato continuo, calcolo batch contro streaming reattivo, modelli generativi specificati manualmente contro quelli appresi, e rappresentazioni numeriche rispetto a simboliche di credenze e obiettivi. Poiché le altre pagine di dominio dell’Istituto descrivono l’inferenza attiva applicata a un campo, questa pagina descrive invece il livello computazionale condiviso sottostante, gli toolchain che un modellatore sceglie effettivamente per passare dalla teoria a una simulazione funzionante.
Quattro catene di strumenti, quattro paradigmi
PyMDP è un pacchetto Python per simulare agenti di inferenza attiva in ambienti di processi decisionali a Markov discreti con stati, fornendo ai modellatori un modello generativo di tipo POMDP, inferenza variazionale sugli stati nascosti e selezione della politica basata sull'energia libera attesa in un'implementazione di riferimento ampiamente riutilizzata. RxInfer.jl, sviluppato presso BIASlab ad Eindhoven, segue un percorso diverso: esegue il passaggio dei messaggi reattivo sui grafici di Forney piuttosto che lavorare direttamente con grafi bayesiani o POMDP espliciti, quindi l'inferenza è guidata dagli eventi piuttosto che eseguita su un orologio fisso, con benefici segnalati per i dati in streaming e per la scalabilità a modelli con un gran numero di parametri. SPM (Mappatura Parametrica Statistica), una piattaforma MATLAB creata da Karl Friston presso l'Unità MRC Cyclotron alla fine degli anni '80 per l'analisi statistica dei dati fMRI, PET ed EEG, precede l'inferenza attiva stessa: il suo modello lineare parametrico e la sua macchina teorica di campi gaussiani si sono evoluti parallelamente e hanno contribuito a seminare la formalizzazione dell'energia libera, e rimane in uso oggi sia come pietra angolare storica che come strumento di analisi funzionante. Symbolic Cognitive Robotics, costruita attorno al progetto karma_system di Jean-Francois Cloutier, segue un quarto percorso combinando il ragionamento simbolico con l'inferenza attiva in modo tale che i modelli generativi, le credenze e gli obiettivi siano rappresentati come strutture simboliche piuttosto che puramente numeriche, mentre seleziona comunque le azioni tramite la minimizzazione dell'energia libera attesa.
Sviluppo e apprendimento affiliati all'istituto
Il gruppo di apprendimento RxInfer.jl è un progetto attivo dell’Istituto che collabora direttamente con gli sviluppatori di RxInfer.jl sullo sviluppo open source, inclusi i metodi di visualizzazione dei grafici fattoriali sottostanti nell'editor di codice; il gruppo ha organizzato regolarmente sessioni sincrone e coinvolto contributori con una gamma di background in Julia e modellazione bayesiana su progetti applicati. La robotica cognitiva simbolica è il lavoro di Jean-Francois Cloutier, un Ricercatore Associato all’Istituto, che ha dimostrato l'approccio karma_system nella pianificazione robotica e nelle impostazioni di risoluzione dei problemi simbolici; la robotica è stata anche un focus dedicato del secondo Simposio sull’Attiva Inferenza Applicata dell’Istituto. PyMDP, sebbene mantenuto al di fuori dell’Istituto, è stato presentato nelle sessioni di apprendimento ModelStream dell’Istituto, riflettendo il suo ruolo di implementazione di riferimento condivisa all'interno della comunità più ampia piuttosto che come strumento di un singolo laboratorio.
Problemi irrisolti
Gli toolchains di cui sopra non condividono un formato comune di modello generativo, algoritmo di inferenza o backend numerico, quindi un modello costruito in uno non è portabile in un altro senza una notevole riscrittura e non esiste ancora una suite di benchmark standardizzata per confrontarli a testa-a-testa in termini di accuratezza, velocità o comportamento di scalabilità. Anche la divisione discreta/continua/simbolica significa che i praticanti devono impegnarsi presto in un paradigma — stati discreti di tipo POMDP, passaggio di messaggi continuo o rappresentazioni simboliche — con strumenti limitati per combinarli all'interno di un unico modello. La maturità della documentazione e del confezionamento varia notevolmente: alcuni strumenti hanno tutorial e gruppi di apprendimento strutturati, mentre altri rimangono più vicini al codice di ricerca che a software distribuito. Come per l’inferenza attiva nei suoi altri domini di applicazione, le affermazioni sull’adozione e sul vantaggio di prestazioni si basano maggiormente su dimostrazioni di concetto dimostrate e sullo sviluppo attivo della comunità piuttosto che su confronti sistematici e indipendenti contro alternative consolidate.
Spina dorsale di riferimento
Karl J. Friston (2010). The free-energy principle: a unified brain theory? Nature Reviews Neuroscience. DOI: 10.1038/nrn2787. Christopher L. Buckley, Chang Sub Kim, Simon McGregor, Anil K. Seth (2017). The free energy principle for action and perception: A mathematical review. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2017.09.004. Thomas Parr, Giovanni Pezzulo, Karl J. Friston (2022). Active Inference: The Free Energy Principle in Mind, Brain, and Behavior. MIT Press. Lancelot Da Costa, Thomas Parr, Noor Sajid, Sebastijan Veselic, Victorita Neacsu, Karl J. Friston (2020). Active inference on discrete state-spaces: A synthesis. Journal of Mathematical Psychology. DOI: 10.1016/j.jmp.2020.102447.