Actualizado 24/06/2020 12:00:25 +00:00 CET

Enseñar física a las redes neuronales permite que se adapten al caos

El flujo Hamiltoniano representado como un torus parecido a un donut. Los colores del arcoiris codifican una cuarta dimensión
El flujo Hamiltoniano representado como un torus parecido a un donut. Los colores del arcoiris codifican una cuarta dimensión - NC STATE

   MADRID, 24 Jun. (EUROPA PRESS) -

   Investigadores de la Universidad de North Carolina State han descubierto que enseñar física a las redes neuronales hacer posible que se enfrenten mejor al caos dentro de su entorno.

   El trabajo, publicado en Physical Review E, tiene implicaciones para aplicaciones mejoradas de inteligencia artificial (IA) que van desde diagnósticos médicos hasta pilotaje automatizado de drones.

   Las redes neuronales son un tipo avanzado de IA que se basa libremente en la forma en que funcionan nuestros cerebros. Nuestras neuronas naturales intercambian impulsos eléctricos de acuerdo con las fuerzas de sus conexiones.

   Las redes neuronales artificiales imitan este comportamiento ajustando pesos numéricos y sesgos durante las sesiones de entrenamiento para minimizar la diferencia entre sus resultados reales y deseados.

   Por ejemplo, una red neuronal puede ser entrenada para identificar fotos de perros al examinar una gran cantidad de fotos, adivinar si la foto es de un perro, ver lo lejos que está y luego ajustar sus pesos y sesgos hasta que están más cerca de la realidad.

   El inconveniente de este entrenamiento de redes neuronales es algo llamado "ceguera del caos", una incapacidad para predecir o responder al caos en un sistema. La IA convencional es un caos ciego. Pero los investigadores del NAIL (Nonlinear Artificial Intelligence Laboratory) han descubierto que la incorporación de una función hamiltoniana en las redes neuronales les permite "ver" el caos dentro de un sistema y adaptarse en consecuencia.

   El hamiltoniano es una función escalar a partir de la cual pueden obtenerse las ecuaciones de movimiento de un sistema mecánico clásico que se emplea en el enfoque hamiltoniano de la mecánica clásica.

   La función hamiltoniana encarna la información completa sobre un sistema físico dinámico: la cantidad total de todas las energías presentes, cinéticas y potenciales.

   "Imagine un péndulo oscilante, moviéndose hacia adelante y hacia atrás en el espacio con el tiempo. Ahora mire una instantánea de ese péndulo. La instantánea no puede decirle dónde está ese péndulo en su arco o hacia dónde va a continuación. Las redes neuronales convencionales operan desde una instantánea del péndulo. Las redes neuronales familiarizadas con el flujo hamiltoniano comprenden la totalidad del movimiento del péndulo: dónde está, dónde estará o podría estar, y las energías involucradas en su movimiento", explican los investigadores en un comunicado.

   En un proyecto de prueba de concepto, el equipo de NAIL incorporó la estructura hamiltoniana a las redes neuronales, luego las aplicó a un modelo conocido de dinámica estelar y molecular llamado modelo Hénon-Heiles. La red neuronal hamiltoniana predijo con precisión la dinámica del sistema, incluso cuando se movía entre el orden y el caos.

   "La función hamiltoniana es realmente la 'salsa especial' que brinda a las redes neuronales la capacidad de aprender el orden y el caos", dice John Lindner, investigador visitante de NAIL, profesor de física en The College of Wooster y autor correspondiente de un artículo que describe el trabajo. "Con la función hamiltoniana, la red neuronal comprende la dinámica subyacente de una manera que una red convencional no puede. Este es un primer paso hacia las redes neuronales con conocimientos de física que podrían ayudarnos a resolver problemas difíciles".

Contador