Enseñar física a la Inteligencia Artificial ayuda a adaptarla al caos

Publicado el
Enseñar física a la Inteligencia Artificial ayuda a adaptarla al caos

Artificial intelligence, connections and nucleus in concept of interconnected neurons. Abstract background with binary numbers, neural network and cloud computing.

¿Qué pasaría si en una ciudad se instalara una red de cámaras con un software que identificara a través de una red neuronal los rostros de cada perro o gato que apareciera en la calle y al validarlo con una serie de fotos previas lograra ubicar a las mascotas perdidas? 

Justamente, este es uno de los principales retos que tienen los científicos para crear sistemas de inteligencia artificial (I.A.) que puedan lidiar con situaciones imprevistas o donde hay una cantidad muy compleja de elecciones.

A diferencia de nuestras neuronas – que intercambian información a través de impulsos eléctricos – intentar que la I.A. pueda asimilar este comportamiento es más complicado. La incapacidad de poder responder ante una situación de caos es lo que ha empujado a los investigadores del NAIL (Nonlinear Artificial Intelligence Laboratory) a incorporar lo que llaman la “función hamiltoniana” la cual permite “ver” dentro de un sistema entramado y lograr adaptarse.

Una representación del flujo hamiltoniano, con colores del arco iris que codifican una cuarta dimensión. (Universidad Estatal de Carolina del Norte)

El trabajo, publicado en Physical Review E., indica que estos resultados alientan la posibilidad de ser aplicados en distintas áreas como el diagnóstico médico o aprender a automatizar vuelos de drones.

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 proyecto de prueba, 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 predijo con precisión la dinámica del sistema, incluso cuando se movía entre el orden y el caos.

La red neuronal pasó con éxito la prueba, prediciendo correctamente la dinámica del sistema en estados de orden y caos.

Fuente: Sciencealert

Recomendado:

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *