The Pulse

HardFlow del MIT mantiene gli output dell’IA entro le regole di sicurezza

I ricercatori del MIT hanno sviluppato HardFlow, un metodo progettato per aiutare i modelli di IA generativa preaddestrati a rispettare vincoli rigorosi sugli output finali senza doverli riaddestrare.

AI.info Team · Scritto con l’IA · verificato · 2026-09-14

HardFlow punta all’ultimo passaggio, quello che conta

I ricercatori del MIT affermano che il loro nuovo metodo HardFlow ha rispettato perfettamente i vincoli in tutti i test di manipolazione robotica, navigazione in labirinti e modifica di immagini guidata dal testo, migliorando anche la qualità dei risultati generati. Il lavoro affronta un problema che i sistemi generativi convenzionali gestiscono male: produrre una risposta che non sia soltanto plausibile, ma anche accettabile secondo regole che non possono essere violate.

Le applicazioni critiche per la sicurezza mettono rapidamente in luce questa debolezza. Un percorso robotico che evita per poco un ostacolo può comunque causare una collisione, mentre un sistema di modifica delle immagini può preservare la caratteristica sbagliata anche quando l’immagine finale appare nel complesso corretta. HardFlow è progettato per fare in modo che l’output finale soddisfi tali requisiti, senza imporne il rispetto a ogni fase della generazione.

Perché i vincoli intermedi possono compromettere il risultato

I modelli generativi creano output passando da rumore casuale a un campione finito. I modelli di diffusione come Stable Diffusion e quelli di flow matching come FLUX possono produrre risultati utili in molti compiti, ma il loro normale processo di campionamento non garantisce il rispetto di rigorose regole fisiche o specifiche del compito.

Una risposta comune è il campionamento basato sulla proiezione, che riporta ripetutamente ogni campione intermedio verso il confine imposto dal vincolo. Secondo i ricercatori del MIT, questo approccio può limitare il modello troppo presto. Un sistema di pianificazione robotica, per esempio, può evitare collisioni in ogni fase intermedia, ma perdere la capacità di trovare un percorso più breve o comunque migliore quando arriva alla risposta finale.

«Per il rispetto dei vincoli, ciò che conta in ultima analisi è l’output finale del modello, perché il processo interno viene scartato. Non richiedendo che ogni passaggio intermedio rispetti i vincoli, diamo al modello maggiore libertà di trovare soluzioni di alta qualità che siano comunque ammissibili alla fine»,

Zeyang Li, studente post-laurea in ingegneria meccanica e presso il Laboratory for Information and Decision Systems del MIT

HardFlow tratta la generazione come un problema di controllo

Il metodo riformula il campionamento vincolato come un problema di ottimizzazione delle traiettorie, utilizzando strumenti del controllo ottimo. Invece di imporre il vincolo rigido lungo l’intero percorso di campionamento, HardFlow guida il percorso verso uno stato finale che lo soddisfi.

Questo cambiamento permette anche al sistema di ottimizzare contemporaneamente altri obiettivi. Negli esperimenti di robotica descritti dal MIT, il metodo poteva cercare un percorso privo di collisioni riducendo al contempo la distanza dall’oggetto bersaglio. Secondo i ricercatori, HardFlow apporta lievi correzioni durante la generazione, invece di affidarsi a proiezioni ripetute e potenzialmente destabilizzanti.

Risolvere direttamente il problema di ottimizzazione attorno a una grande rete neurale sarebbe costoso. I ricercatori usano la struttura dei modelli di flow matching per suddividere il problema in sottoproblemi più piccoli, ciascuno di un solo passaggio, e applicano poi trasformazioni e approssimazioni pensate per mantenere il metodo sufficientemente efficiente da poter essere eseguito al momento dell’impiego.

Test su robot, labirinti e modifica di immagini

Secondo quanto riferisce il MIT, HardFlow ha rispettato ogni vincolo testato in esperimenti di manipolazione robotica, navigazione in labirinti e modifica di immagini guidata dal testo. Secondo i ricercatori, il metodo ha anche superato gli approcci di riferimento nelle misure della qualità delle soluzioni.

In un esempio, un manipolatore robotico ha evitato gli ostacoli trovando al contempo un percorso più rapido verso un bersaglio. Secondo il MIT, altri metodi hanno prodotto collisioni oppure generato percorsi che richiedevano molto più tempo. Negli esperimenti riportati, il tempo di calcolo di HardFlow era paragonabile o inferiore a quello della maggior parte degli approcci concorrenti.

Impiego senza riaddestramento

HardFlow opera con modelli generativi preaddestrati e non richiede che vengano riaddestrati. Questa impostazione rende la tecnica applicabile al momento dell’impiego, quando un modello esistente può essere guidato verso output che rispettino regole di sicurezza, requisiti fisici o altre condizioni rigorose.

Navid Azizan, professore associato Alfred H. and Jean M. Hayes Career Development presso il Department of Mechanical Engineering e l’Institute for Data, Systems, and Society del MIT, è il senior author dell’articolo. Il metodo, afferma, è pensato per preservare la gamma di possibilità che rende utili i modelli generativi, imponendo al contempo requisiti che i sistemi del mondo reale non possono ignorare.

«La promessa dell’IA generativa è la sua capacità di esplorare un ricco spazio di possibilità, ma il mondo reale pone limiti a quali possibilità siano accettabili. Il nostro approccio ci consente di preservare questa capacità generativa, garantendo al contempo il rispetto dei requisiti non negoziabili delle applicazioni ad alto rischio o critiche per la sicurezza»,

Navid Azizan, MIT

La prossima prova è il controllo adattivo del modello

Il gruppo di ricerca comprende il primo autore Zeyang Li e Kaveh Alim, studente post-laurea presso l’Institute for Data, Systems, and Society e il Laboratory for Information and Decision Systems del MIT. L’articolo, «HardFlow: Hard-Constrained Sampling for Flow-Matching Models via Trajectory Optimization», esce questa settimana su IEEE Transactions on Pattern Analysis and Machine Intelligence.

Secondo il MIT, lavori futuri potrebbero estendere il framework a contesti in cui viene aggiornato il modello di IA stesso. I risultati pubblicati stabiliscono che HardFlow è un metodo per guidare i modelli preaddestrati verso output finali ammissibili; non dimostrano che il sistema sia stato impiegato in un ambiente industriale o critico per la sicurezza in condizioni operative reali.