Utilizamos cookies propias y de terceros para mejorar nuestros servicios y facilitarte el uso de la web mediante el análisis de tus preferencias de navegación. También compartimos la información sobre el tráfico por nuestra web a los medios sociales y de publicidad con los que colaboramos. Si continúas navegando, consideramos que aceptas nuestra Política de cookies .

12 de Noviembre de 2019
Inteligencia artificial

Una inteligencia artificial «descubre» que la Tierra gira alrededor del Sol

Una red neuronal que aprende por sí sola las leyes de la física podría ayudar a resolver misterios de la mecánica cuántica.

Unos físicos han diseñado una inteligencia artificial que, como el astrónomo Nicolás Copérnico, ha llegado por sí misma a la conclusión de que el Sol está en el centro del sistema solar [NASA/JPL/SPL].

Siglos tardaron los astrónomos en dar con la idea. Pero ahora, un algoritmo de aprendizaje maquinal, que se inspira en la estructura del cerebro, ha concebido que debía colocar el Sol en el centro del sistema solar basándose solo en el aspecto que los movimientos del Sol y de Marte tienen vistos desde la Tierra. Se trata de uno de los primeros ensayos de una técnica que, según esperan los investigadores que la han creado, podrá utilizarse para descubrir nuevas leyes de la física mediante el hallazgo de patrones en grandes conjuntos de datos, y quizás incluso para reformular la mecánica cuántica. Los resultados se publicarán en Physical Review Letters.

El físico Renato Renner, del Instituto Federal Suizo de Tecnología (ETH), en Zúrich, y sus colaboradores querían crear un algoritmo que destilase unas pocas fórmulas básicas desde grandes conjuntos de datos, tal y como los físicos llegaron hasta fórmulas concisas, como E = mc2. Para ello tuvieron que diseñar un nuevo tipo de red neuronal, un sistema de aprendizaje automático o maquinal que se inspira en la estructura del cerebro.

Las redes neuronales corrientes aprenden a reconocer objetos (en imágenes o sonidos) tras adiestrarse con enormes conjuntos de datos. Descubren rasgos generales: por ejemplo, «cuatro patas» y «orejas de punta» podrían utilizarse para identificar a los gatos. Codifican entonces esos rasgos en «nodos» matemáticos, el equivalente artificial de las neuronas. Pero en vez de extraer de esa información unas pocas reglas sencillas, fáciles de interpretar, como hacen los físicos, las redes neuronales son una especie de caja negra que disemina sus conocimientos adquiridos entre miles, millones incluso, de nodos y lo hace de maneras impredecibles y difíciles de interpretar.

Por eso, el equipo de Renner diseñó una especie de red neuronal «lobotomizada»: dos subredes conectadas entre sí solo por un puñado de enlaces. La primera subred aprendía de los datos, como lo hacen las redes neuronales típicas, y la segunda se valía de esa «experiencia» para hacer y contrastar nuevas predicciones. Como eran pocos los enlaces que conectaban los dos lados, la primera red estaba forzada a pasar a la otra la información en un formato condensado. Renner lo compara a la forma en que un tutor transmite sus conocimientos adquiridos a un alumno.

Situar los planetas

Uno de los primeros ensayos consistió en dar a la red datos simulados sobre los movimientos de Marte y del Sol en el firmamento. La órbita de Marte alrededor del Sol parece errática: por ejemplo, periódicamente invierte su movimiento, se vuelve «retrógrada». Durante siglos, los astrónomos creyeron que la Tierra estaba en el centro del universo y explicaron el movimiento de Marte suponiendo que los planetas describían pequeños círculos en la esfera celeste, llamados epiciclos. Pero en el siglo XVI, Nicolás Copérnico obtuvo que los movimientos se podían predecir con un sistema mucho más simple de fórmulas si tanto la Tierra como los planetas giraban alrededor del Sol.

Renner recalca que, si bien el algoritmo derivó las fórmulas, hace falta un ojo humano para interpretar las ecuaciones y entender cómo se relacionan con el movimiento de los planetas alrededor del Sol.

Este trabajo es importante porque puede escoger los parámetros cruciales que describen un sistema físico, dice el robotista Hod Lipson, de la Universidad de Columbia en la Ciudad de Nueva York. «Creo que estos tipos de técnicas son nuestra única esperanza de entender y seguir el paso de los fenómenos cada vez más complejos de la física y de aún más allá», dice.

Renner y su equipo quieren desarrollar técnicas de aprendizaje maquinal que ayuden a los físicos a resolver las aparentes contradicciones de la mecánica cuántica. La teoría parece conducir a predicciones conflictivas sobre el resultado de un experimento y la forma en que es visto por un observador sujeto a las leyes de la teoría.

«Es posible que la manera en que está formulada actualmente [la mecánica cuántica] sea, en cierta forma, un artefacto histórico», dice Renner. Añade que un ordenador podría encontrar una formulación que no presentase esas contradicciones, pero las últimas técnicas del equipo no son todavía suficientemente sofisticadas para ello. Para avanzar hacia esa meta, él y sus colaboradores están intentando desarrollar una versión de su red neuronal que no solo pueda aprender de los datos experimentales, sino proponer además experimentos completamente nuevos para poner a prueba sus hipótesis.

Davide Castelvecchi / Nature News

Artículo traducido y adaptado por Investigación y Ciencia con permiso de Nature Research Group.

Referencia: «Discovering physical concepts with neural networks», de R. Iten, T. Metger, H. Wilming, L. del Río y R. Renner en Physical Review Letters (en prensa); se puede leer la prepublicación en arXiv:1807.10300 [quant-ph].

Artículos relacionados

Los boletines de Investigación y Ciencia

Elige qué contenidos quieres recibir.