A través de simulaciones por computadora para seguir de cerca el movimiento de las burbujas de aire dentro de una espuma húmeda, descubrieron que las burbujas mantienen su forma general por fuera mientras se mueven constantemente en su interior. Desde una perspectiva matemática, este comportamiento es muy similar al mecanismo del aprendizaje profundo que se utiliza para entrenar la inteligencia artificial.
“La espuma se reorganiza constantemente”, explica John C. Crocker, profesor de ingeniería química y biomolecular de la Universidad de Pensilvania. “Es un descubrimiento sorprendente que las burbujas y los sistemas de IA modernos parezcan seguir los mismos principios matemáticos. No sabemos por qué, pero esto podría cambiar radicalmente nuestra forma de pensar acerca de los materiales adaptativos y los sistemas vivos”.
El cambio es la constante
Este marco teórico era bueno para explicar por qué las burbujas parecen estables una vez formadas, pero cuando los investigadores analizaron los datos reales, vieron que el comportamiento de las burbujas no coincidía con estas predicciones.
Crocker afirma que los signos de esta discrepancia han estado presentes desde hace aproximadamente 20 años, pero en ese momento no había un método matemático que explicara adecuadamente el fenómeno; se necesitaba un enfoque completamente nuevo para describir un sistema que cambia constantemente y no se establece en una configuración fija.
Entonces, los investigadores recurrieron a los conocimientos matemáticos obtenidos del proceso de aprendizaje de la IA: los sistemas de IA modernos aprenden ajustando continuamente los parámetros numéricos (la información que define lo que la IA "sabe") durante el entrenamiento.
El aprendizaje profundo en particular se basa en un algoritmo de optimización llamado descenso de gradiente, que guía gradualmente al sistema en una dirección que reduce el error, de forma similar a moverse cuesta abajo en un terreno.
Evitando la única solución óptima
En las primeras investigaciones sobre IA, los científicos intentaron guiar los sistemas hacia una única solución óptima que se ajustara perfectamente a los datos de entrenamiento. Sin embargo, a medida que avanzaba la investigación, se hizo evidente que forzar demasiado un modelo a fondo causaba problemas: los sistemas que se sobreajustaban a los datos de entrenamiento se volvían frágiles y su rendimiento era significativamente inferior con la nueva información.
"Nos dimos cuenta de que no necesitábamos forzar el sistema a un valle profundo", explica Robert Riggleman, de la Universidad de Pensilvania. "Permanecer en una región plana donde muchas soluciones funcionan igual de bien fue clave para que el modelo fuera más general".
Cuando reexaminaron los datos de las burbujas desde esta perspectiva, surgió una clara similitud: en lugar de establecerse en posiciones profundas y estables, las partículas de la burbuja se movieron a través de una amplia gama de configuraciones igualmente posibles.
Este movimiento continuo se asemeja mucho matemáticamente al comportamiento de los sistemas de IA modernos a medida que aprenden, y los conceptos matemáticos que explican cómo funciona el aprendizaje profundo también capturan con precisión el comportamiento que las burbujas han exhibido durante siglos.
Video hecho con imágenes microscópicas que capturan el movimiento de las burbujas.
Crocker LabAprendizaje en sentido matemático
Este descubrimiento sugiere que el concepto amplio de "aprendizaje" podría ser matemáticamente un principio organizador común en sistemas físicos, biológicos e informáticos. Las burbujas son fáciles de generar y observar, pero también presentan comportamientos complejos y se han utilizado durante mucho tiempo como modelo para el estudio de materiales densos y dinámicos, como las células vivas. Se espera que estos hallazgos conduzcan al desarrollo de nuevos materiales que puedan adaptarse a su entorno.
Actualmente, el equipo está retomando el estudio que despertó el interés de Crocker por las burbujas: el citoesqueleto, la estructura microscópica del interior de las células que sustenta la vida. Al igual que las burbujas, el citoesqueleto se reorganiza constantemente para mantener su estructura general.
¿Por qué los conceptos matemáticos del aprendizaje profundo son tan precisos al capturar el comportamiento de las burbujas? Es una pregunta fascinante. Demuestra que las técnicas de aprendizaje automático pueden ser útiles más allá de su contexto original y abrir nuevas vías de investigación.
Editado por Daisuke Takimoto.
Artículo originalmente publicado enWIRED Japón. Adaptado por Andrea Baranenko.