.

sylvar | flickr

Robótica

Una IA aprende trucos de los físicos para el avance de la ciencia

1

Dos investigadores han desarrollado una inteligencia artificial a la que han educado con los procesos que suelen usar los físicos para comprender el mundo real.  Gracias a ello, su sistema fue capaz de descubrir leyes físicas en mundos que simulaban la complejidad del universo, ‘trabajando’ como un científico

  • por Emerging Technology From The Arxiv | traducido por Ana Milutinovic
  • 08 Noviembre, 2018

Cuando era estudiante, Galileo Galilei observaba una lámpara que se balanceaba en la catedral de Pisa (Italia) y cronometraba la oscilación con sus pulsaciones. Concluyó que el periodo de la oscilación era constante e independiente de la amplitud de la oscilación.

Galileo sugirió entonces que un péndulo podría controlar un reloj y después diseñó esa máquina, si bien el primer reloj de este tipo fue construido por Huygens unos 15 años después de la muerte de Galileo.

Para hacer este descubrimiento, el genio Galileo debía ignorar el resto de detalles presentes en la catedral: la resistencia del aire, la temperatura, las luces parpadeantes, el ruido, otras personas, etc. Sin embargo, él consideró un modelo sencillo de una lámpara oscilante usando solo su periodo,  centrándose así en el detalle más destacado.

Para muchos historiadores, el enfoque de Galileo representa la etapa más temprana en la evolución del método científico, el mismo proceso que nos ha concedido la posibilidad de volar, la teoría cuántica, la computación electrónica, la relatividad general e incluso la inteligencia artificial (IA).

En los últimos años, los sistemas de IA han comenzado a descubrir patrones interesantes en los propios datos e incluso han derivado ciertas leyes de la física. Pero en estos casos, la IA siempre estudiaba un conjunto de datos en particular que se habían aislado de las distracciones del mundo real. La capacidad de estos sistemas de IA está muy lejos de la de los humanos como Galileo.

Y eso plantea una pregunta interesante: ¿es posible diseñar un sistema de inteligencia artificial que desarrolle teorías como lo hizo Galileo, centrándose en la información que necesita para explicar los diferentes aspectos del mundo que observa?

Hoy tenemos una respuesta gracias al trabajo de los investigadores del Instituto Tecnológico de Massachusetts (MIT,EE.UU.) Tailin Wu y Max Tegmark, que han desarrollado un sistema de inteligencia artificial que copia el modelo de Galileo y otros trucos que los físicos han aprendido a lo largo de los siglos. Su sistema, llamado AI Physicist [IA dedicada a la física] es capaz de descubrir  varias leyes de la física en los mundos imaginarios construidos deliberadamente para simular la complejidad de nuestro universo.

Wu y Tegmark identificaron primero una importante debilidad de los sistemas modernos de inteligencia artificial. Cuando se les da un gran conjunto de datos, normalmente buscan una sola teoría que lo determina todo. Pero eso se vuelve cada vez más difícil cuanto más grande y desordenado es el grupo de datos.

De hecho, el interior de una catedral sería un entorno virtualmente imposible para que cualquier sistema actual de IA descubriera leyes físicas.

Para afrontar este problema, los físicos utilizan una serie de procesos mentales para simplificar la cuestión. El primero es desarrollar teorías que describan solo una pequeña parte del conjunto de datos. Eso produce múltiples teorías que describen diferentes aspectos de los datos, como la mecánica cuántica y la relatividad, por ejemplo. Wu y Tegmark han desarrollado AI Physicist para tratar los grandes conjuntos de datos de esta misma manera.

Otra regla general que usan los físicos es la navaja de Ockham, la idea de que las explicaciones más sencillas son las mejores. Es por ella que los físicos generalmente descartan las teorías que requieren un motor primario para crear el universo, o la Tierra o la vida misma: la supuesta existencia de un motor primario plantea un grupo adicional de preguntas sobre su naturaleza y origen.

Los sistemas de IA son conocidos por crear modelos demasiado complejos para describir los datos con los que están entrenados. Así que Wu y Tegmark también enseñan a su sistema a preferir teorías más simples frente a otras más complejas. Lo hacen utilizando una medida sencilla de complejidad basada en la cantidad de información que contiene la teoría.

Otro truco famoso de los físicos es buscar formas de unificar las teorías. Si una teoría puede hacer el trabajo de dos, probablemente sea mejor. Por eso los físicos intentan encontrar la única ley que rige a todas (aunque hay pocas pruebas reales de que exista tal teoría).

Un último principio que ha ayudado mucho a los físicos es el aprendizaje a lo largo de toda la vida: la idea de que si un enfoque concreto funcionó en el pasado, podría funcionar para los problemas en el futuro. Así que el AI Physicist de Wu y Tegmark recuerda las soluciones aprendidas y las intenta utilizar con los problemas futuros.

Valiéndose de estas técnicas, Wu y Tegmark pusieron a prueba al AI Physicist. Lo hicieron ideando 40 mundos imaginarios gobernados por leyes de la física que varían de una localización a otra. Entonces, una bola lanzada en uno de estos mundos al principio podría caer bajo la fuerza de la gravedad a una región gobernada por el potencial electromagnético y luego a una región gobernada por un potencial armónico, y así sucesivamente.

La pregunta que Wu y Tegmark se plantean es si su AI Physicist puede descubrir las relevantes leyes de la física simplemente observando el movimiento de la bola a lo largo del tiempo. Y comparan el comportamiento del AI Physicist con el del "Físico Recién Nacido" que utiliza el mismo enfoque, pero sin el beneficio del aprendizaje de por vida, y además lo comparan con una convencional red neuronal artificial. Resulta que tanto el AI Physicist como el Físico Recién Nacido pueden encontrar las leyes correspondientes. "Ambos son capaces de resolver más del 90% de los 40 mundos imaginarios", afirman.

La principal ventaja del Físico de IA sobre el agente recién nacido es que aprende más rápidamente utilizando menos datos. "Esto se parece mucho a cómo un científico experimentado puede resolver nuevos problemas mucho más rápido que un principiante ya que se basa en conocimientos previos sobre los problemas similares", explican Wu y Tegmark.

Y su sistema es significativamente mejor que una red neuronal artificial convencional. "Nuestro [AI Physicist] normalmente aprende más rápido y produce un error cuadrático medio de predicción de aproximadamente mil millones de veces más pequeño que una red neuronal artificial de propagación hacia delante con una complejidad comparable", sostienen.

Es así un impresionante  trabajo que sugiere que los sistemas de IA podrían tener un impacto importante en el camino por el que avanza la ciencia. Por supuesto, la verdadera prueba sería dejar que AI Physicist experimente en un entorno real, como en el interior de la Catedral de Pisa y ver si descubre el principio detrás de los relojes mecánicos. O tal vez dejarlo con otros conjuntos de datos complejos, como los que suelen desconcertar a los economistas, biólogos y climatólogos. Sin duda, aquí hay frutas de las ramas más bajas para un sistema capaz de recogerlas.

Y si AI Physicist logra tener éxito, los historiadores de la ciencia podrían considerarlo como uno de los primeros pasos en una nueva era de la evolución del método científico más allá de Galileo y sus colegas humanos. No hay forma de saber dónde nos podría llevar.

Robótica

 

La inteligencia artificial y los robots están transofrmando nuestra forma de trabajar y nuestro estilo de vida.

  1. Las peores pesadillas de un conductor entrenan al coche autónomo

    Además de desplazarse por las carreteras, los vehículos sin conductor de Waymo han recorrido miles de millones de kilómetros en un mundo virtual. Gracias a su entrenamiento en una simulación, los coches robóticos aprenden cómo enfrentarse a situaciones de riesgo que serían demasiado peligrosas de recrear en la realidad

  2. Por qué EE. UU. podría quedarse atrás en la carrera de la IA

    El inversor y tecnólogo Kai-Fu Lee cree que Estados Unidos debería impulsar la investigación en inteligencia artificial: a su juicio, la fuga de cerebros de las instituciones académicas a las tecnológicas o la falta de inversión afectan a su liderazgo en mayor medida que la competencia de China

  3. Cuatro grandes trucos para generar datos de entrenamiento para la IA

    Para que una inteligencia artificial funcione bien hay que entrenarla con multitud de datos que no siempre son fáciles de encontrar, sobre todo en PLN. Estos cuatro proyectos destacan por su ingenio para recopilarlos de fuentes como recetas de cocina, textos en 'spanglish' y hasta la Wikipedia