Enseñar física a las redes neuronales elimina la ‘ceguera del caos’

Ayúdanos y comparte nuestro artículo

Share on facebook
Share on linkedin
Share on twitter
Share on email

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 tipo de comportamiento ajustando pesos numéricos y sesgos durante las sesiones de entrenamiento para minimizar la diferencia entre sus resultados reales y deseados. Por ejemplo, es posible entrenar a una red neuronal para identificar fotos de perros al examinar una gran cantidad de fotos, adivinar si la foto es de un perro, ver que tan lejos está y luego ajustar sus pesos y sesgos hasta que están más cerca de la realidad.

El gran inconveniente de este entrenamiento de redes neuronales es llamado “ceguera del caos”, una incapacidad para poder predecir o responder al caos en un sistema. La IA convencional es un caos ciego. Pero los investigadores del Laboratorio de Inteligencia Artificial No Lineal (NAIL) del Estado de Carolina del Norte han descubierto que la incorporación de una función hamiltoniana en las redes neuronales les permite “ver” el caos que hay dentro de un sistema y adaptarse en consecuencia.

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

 Imagine un péndulo oscilante, moviéndose hacia delante y hacia atrás en el espacio con el tiempo. Ahora mire una instantánea de ese péndulo. La instantánea no puede decirle donde esta 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 hamiltioniano comprenden la totalidad del movimiento del péndulo: donde está, donde estará o podría estar, y las energías involucradas en su movimiento.

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

“El Hamiltoniano 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.

John Lindner
John Lindner

 “Con el Hamiltoniano, 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”.

Este trabajo aparece en la Physical Review E

Artículo original

0 0 vote
Valoracion del articulo

Subscríbete a nuestra Newsletter

Manténgase siempre informado

Siga explorando

Robótica: Noticias

¿Por qué los robots realistas nos provocan rechazo?

Los robots con características humanas, nos suelen parecer más atractivos que los que se parecen a las máquinas convencionales. Pero solo hasta cierto punto. Las personas comienzan a sentir inquietud cuando los robots son casi

Robótica: Noticias

El ReStore: El exotraje robótico milagroso

Un equipo de investigadores de EE.UU publicó los resultados de un ensayo del ReWalk ReStore™ : un dispositivo robótico que ayuda a las personas que se someten a la rehabilitación después de un accidente cerebrovascular. Los

Subscribe
Notify of
guest
0 Comentarios
Inline Feedbacks
View all comments
0
Would love your thoughts, please comment.x
()
x
¡Suscríbete gratis a Deus Artificial! 
Holler Box

¡SUSCRÍBETE GRATIS A DEUS ARTIFICIAL!

✔ ¡Recibirá nuestro contenido mesualmente!

✔  ¡Obtendrá 🎫 de descuento en nuestros cursos!

✔ ¡Aprenda cualquier habilidad aquí!

Holler Box
Share on facebook
Share on twitter
Share on linkedin
Share on whatsapp