• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • Los investigadores utilizan la evolución biológica para inspirar el aprendizaje automático

    Un primer plano de uno de los resultados generados. Aquí, los patrones en forma de pájaro son el resultado del 'ojo' del crítico, una red conocida como VGG19, que se utiliza para comparar los resultados de las redes en competencia, que es en sí mismo un modelo entrenado en clasificar diferentes imágenes naturales. Crédito:Nicholas Guttenberg

    Como escribió Charles Darwin al final de su libro seminal de 1859 Sobre el origen de las especies, "mientras este planeta ha seguido su ciclo de acuerdo con la ley fija de la gravedad, desde un comienzo tan simple han sido infinitas formas más bellas y maravillosas, y estan siendo, evolucionado. "Los científicos han creído desde hace mucho tiempo que la diversidad y la gama de formas de vida en la Tierra proporcionan evidencia de que la evolución biológica innova espontáneamente de una manera abierta, constantemente inventando cosas nuevas. Sin embargo, los intentos de construir simulaciones artificiales de sistemas evolutivos tienden a toparse con límites en la complejidad y novedad que pueden producir. A esto a veces se le llama "el problema de la indefinición". Debido a esta dificultad, hasta la fecha, los científicos no pueden crear fácilmente sistemas artificiales capaces de exhibir la riqueza y diversidad de los sistemas biológicos.

    En un nuevo estudio publicado en la revista Vida artificial , un equipo de investigación dirigido por Nicholas Guttenberg y Nathaniel Virgo del Instituto de Ciencias de la Tierra y la Vida (ELSI) en el Instituto de Tecnología de Tokio, Japón, y Alexandra Penn del Center for Evaluation of Complexity Across the Nexus (CECAN), Universidad de Surrey Reino Unido (CRESS), examinar la conexión entre el carácter abierto evolutivo biológico y los estudios recientes sobre el aprendizaje automático. Esperaban que la conexión de ideas de estos campos hiciera posible combinar las redes neuronales con las motivaciones e ideas de la vida artificial para crear nuevas formas de final abierto.

    Una fuente de indefinición en los sistemas biológicos en evolución es la "carrera armamentista" de supervivencia. Por ejemplo, los zorros más rápidos pueden evolucionar para atrapar conejos más rápidos, que a su vez puede evolucionar para volverse aún más rápido para alejarse de los zorros más rápidos. Esta idea se refleja en desarrollos recientes que implican poner redes en competencia entre sí para producir cosas como imágenes realistas utilizando redes generativas adversarias (GAN) y para descubrir estrategias en juegos complejos como Go. En evolución, factores como la mutación pueden limitar el alcance de dicha carrera armamentista. Sin embargo, a medida que se han ampliado las redes neuronales, no parece existir tal limitación, y la red puede seguir mejorando a medida que se introducen datos adicionales en sus algoritmos.

    Dos redes neuronales participan en un juego de falsificación competitivo, con una red asumiendo el papel de un artista que intenta ser difícil de copiar y la otra tomando el papel de un falsificador que intenta hacerlo, como resultado, el artista se ve obligado a inventar un estilo cada vez más complejo. Este tipo de juego se hace eco de las carreras de armas coevolutivas entre depredadores y presas en sistemas evolutivos, que proporcionan una vía para una rápida escalada de complejidad en los sistemas biológicos. Crédito:Nicholas Guttenberg

    Guttenberg había estado estudiando la evolución abierta desde la escuela de posgrado, pero fue solo en los últimos años que su enfoque cambió a la inteligencia artificial y las redes neuronales. Alrededor de ese tiempo se inventaron métodos como los GAN, lo que le pareció muy similar a los sistemas coevolutivos abiertos en los que había trabajado anteriormente. Vio la oportunidad de derribar una barrera entre los campos para avanzar en un problema interesante.

    Los investigadores demostraron que, si bien pueden usar análisis de escala para demostrar la apertura en contextos evolutivos y cognitivos, hay una diferencia entre hacer algo que, por ejemplo, se vuelve infinitamente bueno para hacer dibujos de gatos y algo que, estar cansado de hacer dibujos de gatos, decide hacer música en su lugar. En sistemas evolutivos artificiales, El programador tiene que anticipar este tipo de grandes saltos cualitativos; necesitarían crear un mundo artificial en el que la música sea posible para que los "organismos" decidan ser músicos. En sistemas como las redes neuronales, conceptos como la abstracción se capturan más fácilmente, y las poblaciones de agentes que interactúan podrían crear nuevos problemas para ser resueltos entre ellos.

    Este trabajo plantea algunas preguntas profundas e interesantes. Por ejemplo, Si el impulso de la novedad cualitativamente diferente en un sistema computacional surge internamente de la abstracción, ¿Qué determina el "significado" de la novedad que generan los sistemas artificiales? El aprendizaje automático a veces ha llevado a la creación de lenguajes artificiales mediante la interacción de agentes computacionales, pero estos lenguajes todavía se basan en la tarea que los agentes están cooperando para resolver. Si los agentes realmente confían en las interacciones dentro del sistema para impulsar el final abierto lejos de lo que se proporcionó como material de partida, ¿Sería posible reconocer o interpretar las cosas que salen? ¿O habría que ser nativo de tal sistema para comprender su riqueza?

    Por último, Este estudio sugiere que puede ser posible crear sistemas artificiales que inventen o descubran cosas nuevas de manera autónoma y continua, lo que constituiría un avance significativo en inteligencia artificial, y puede ayudar a comprender la evolución y el origen de la vida.


    © Ciencia https://es.scienceaq.com