ALLENAMENTO DELLA RETE NEURALE  

La rete neurale è costituita da una serie di elementi base, i neuroni, che sono messi in relazioni tra loro. 

Ogni neurone della rete è strutturato per dare un’“importanza” (weight) ed una “relazione” (bias) agli input che riceve. (fig. 3)

La rete neurale, dopo essere stata strutturata, ha bisogno di una sessione di training durante la quale, partendo dalla mole di dati che le vengono messi a disposizione, attua il processo di machine learning.  

Dati degli input e degli output, la Rete cerca di metterli in correlazione effettuando dei “tentativi”. 

Ad ogni nuovo ciclo la Rete Neurale aggiusta weight e bias, ovvero le principali variabili secondo cui lavora ogni elemento della rete, confrontando gli output ottenuti con una serie di output-target che vengono forniti (fig. 4).

In questa fase si dice che la rete viene alimentata (feed) con questi dati.

Ad ogni ripetizione del processo gli output si avvicinano sempre di più al target fornito, limando asintoticamente il margine di errore (fig.5). Quando il  margine rientra in un range accettabile si può giudicare terminato il processo di machine learning.

A questo punto il nostro strumento è pronto per lavorare su nuovi input, generando output inediti 

 

AFFINAMENTO O FUNCTION FITTING

Una delle applicazioni di questo interessante sistema di calcolo (e quella scelta per lavorare sul nostro problema) è quella denominata “Function Fitting”, ovvero si chiede alla Rete Neurale di trovare, partendo dagli stessi input, il modo di generare curve uguali rispetto ad una curva data.

Il fine ultimo è quello di arrivare a generare delle curve sovrapponibili a quelle generate del file .tir (ricordate la Magic Formula di Pacejka?) combinando tutte le variabili considerate. 

Ma, come prima cosa, si deve permettere alla Rete di attuare il processo di Machine Learning, fornendole una serie di input-output da processare e confrontare.  

Queste matrici di input-output vengono generate attraverso il nostro “test bench” virtuale e riorganizzate tramite Mathlab.  Avremo, a questo punto, delle curve di performance dello pneumatico virtuale. Dobbiamo quindi eseguire una serie limitata di test in maniera manuale per dare alla Rete gli elementi per poter imparare (fig.6).

Il vantaggio di calcolo dell’Intelligenza Artificiale è che, una volta creata, la Rete non ripete ogni volta il processo di calcolo (come farebbe Mathlab), ma mette in atto delle “scorciatoie”, se così possiamo definirle, che la Rete stessa ha testato essere affidabili con un ragionevole margine di errore.

 

A questo punto siamo pronti per usarlo in una partita vera.

 

CONFRONTO REALE – VIRTUALE

A questo punto, dal momento che abbiamo a disposizione il file .tir, attraverso il costruttore o attraverso società che sperimentalmente su banchi test provano e misurano gli pneumatici (come fa Megaride), si fa eseguire alla Rete Neurale allenata il function fitting non più con le curve generate da noi matematicamente (come durante il training), ma con quelle generate dal .tir.

Una volta che le curve ottenute si sovrapporranno a quelle del .tir, il gioco è fatto: conosceremo tutte le caratteristiche da applicare al nostro modello di pneumatico virtuale. 

Popoleremo il modello dell’ambiente di simulazione con i dati che la Rete Neurale ha trovato e validato e saremo sicuri che quel pneumatico si comporterà esattamente come quello reale (o quantomeno con un margine di errore davvero minimo).

OBBIETIVI DI SVILUPPO

Al momento le nostre Reti Neurali sono “addestrate” a rilevare e capire il comportamento fisico e dinamico dello pneumatico, tralasciando però la componente termica in modo da contenere il numero delle variabili. 

Come abbiamo visto, per ogni variabile che andiamo ad aggiungere, il problema si eleva di una potenza e la componente termica aggiunge al problema un ingente numero di variabili nuove.

Il prossimo obiettivo è quindi quello di aggiungere anche queste variabili. Non è un compito semplice. 

È come se al momento avessimo imparato a fondo le tecniche base dell’alpinismo e dovessimo, a questo punto, provare a scalare l’Everest.

Non sarà facile, ma ce la faremo!