Los físicos teóricos de ETH Zurich engañaron deliberadamente a las máquinas inteligentes, y, por lo tanto, refinó el proceso de aprendizaje automático. Crearon un nuevo método que permite a las computadoras categorizar datos, incluso cuando los humanos no tienen idea de cómo podría ser esta categorización.

Cuando las computadoras identifican de forma independiente cuerpos de agua y sus contornos en imágenes de satélite, o vencer a los mejores jugadores profesionales del mundo en el juego de mesa Go, luego, los algoritmos adaptativos funcionan en segundo plano. Los programadores proporcionan estos algoritmos con ejemplos conocidos en una fase de entrenamiento:imágenes de cuerpos de agua y tierra, o secuencias de movimientos de Go que han llevado al éxito o al fracaso en los torneos. De manera similar a cómo nuestras células nerviosas cerebrales producen nuevas redes durante los procesos de aprendizaje, los algoritmos especiales se adaptan en la fase de aprendizaje en base a los ejemplos que se les presentan. Esto continúa hasta que pueden diferenciar los cuerpos de agua de la tierra en fotos desconocidas. o secuencias exitosas de movimientos de los fallidos.

Hasta ahora, Estas redes neuronales artificiales se han utilizado en el aprendizaje automático con un criterio de toma de decisiones conocido:sabemos qué es una masa de agua y qué secuencias de movimientos tuvieron éxito en los torneos de Go.

Separando el trigo de la paja

Ahora, un grupo de científicos que trabaja con Sebastian Huber, Profesor de Teoría de la Materia Condensada y Óptica Cuántica en ETH Zurich, han ampliado las aplicaciones para estas redes neuronales mediante el desarrollo de un método que no solo permite la categorización de cualquier dato, pero también reconoce si los conjuntos de datos complejos contienen categorías.

Cuestiones de este tipo surgen en la ciencia:por ejemplo, el método podría ser útil para el análisis de mediciones de aceleradores de partículas u observaciones astronómicas. De este modo, los físicos podrían filtrar las mediciones más prometedoras de sus cantidades a menudo inmanejables de datos de medición. Los farmacólogos podrían extraer moléculas con cierta probabilidad de tener un efecto farmacéutico específico o un efecto secundario de grandes bases de datos moleculares. Y los científicos de datos podrían clasificar grandes masas de ondas de datos desordenadas y obtener información utilizable (minería de datos).

Busca un límite

Los investigadores de ETH aplicaron su método a un fenómeno de la física teórica intensamente investigado:un sistema de muchos cuerpos de dipolos magnéticos interactuantes que nunca alcanza un estado de equilibrio, ni siquiera a largo plazo. Estos sistemas se han descrito recientemente, pero aún no se conocen en detalle qué propiedades físicas cuánticas impiden que un sistema de muchos cuerpos entre en un estado de equilibrio. En particular, no está claro dónde se encuentra exactamente el límite entre los sistemas que alcanzan el equilibrio y los que no.

Para localizar este límite, los científicos desarrollaron el principio de "actuar como si":tomar datos de sistemas cuánticos, establecieron un límite arbitrario basado en un parámetro y lo usaron para dividir los datos en dos grupos. Luego entrenaron una red neuronal artificial fingiendo que un grupo alcanzó un estado de equilibrio mientras que el otro no. Por lo tanto, los investigadores actuaron como si supieran dónde estaba el límite.

Los científicos confundieron el sistema

Entrenaron a la red innumerables veces en general, con un límite diferente cada vez, y probó la capacidad de la red para ordenar datos después de cada sesión. El resultado fue que, en muchos casos, la red luchó por clasificar los datos como lo habían hecho los científicos. Pero en algunos casos, la división en los dos grupos fue muy precisa.

Los investigadores pudieron demostrar que este rendimiento de clasificación depende de la ubicación del límite. Evert van Nieuwenburg, un estudiante de doctorado en el grupo de Huber, explica esto de la siguiente manera:"Al elegir entrenar con un límite alejado del límite real (que no sé), Puedo engañar a la red. En última instancia, estamos entrenando la red de forma incorrecta, y las redes entrenadas incorrectamente son muy malas para clasificar los datos ". Sin embargo, si por casualidad se elige un límite cerca del límite real, se produce un algoritmo altamente eficiente. Al determinar el rendimiento del algoritmo, Los investigadores pudieron rastrear el límite entre los sistemas cuánticos que alcanzan el equilibrio y los que no:el límite se encuentra donde el rendimiento de clasificación de la red es más alto.

Los investigadores también demostraron las capacidades de su nuevo método utilizando dos preguntas más de la física teórica:las transiciones de fase topológica en sólidos unidimensionales y el modelo de Ising. que describe el magnetismo dentro de los sólidos.

Categorización sin conocimiento previo

El nuevo método también se puede ilustrar de forma simplificada con un experimento mental, donde queremos clasificar rojo, rojizo, bolas azuladas y azules en dos grupos. Suponemos que no tenemos idea de cómo se vería razonablemente tal clasificación.

Si se entrena una red neuronal diciéndole que la línea divisoria se encuentra en algún lugar de la región roja, entonces esto confundirá a la red. "Intentas enseñarle a la red que las bolas azules y rojizas son lo mismo y le pides que diferencie entre bolas rojas y rojas, que simplemente no puede hacer, "dice Huber.

Por otra parte, si coloca el límite en el espectro de color violeta, la red descubre una diferencia real y clasifica las bolas en grupos rojos y azules. Sin embargo, no es necesario saber de antemano que la línea divisoria debe estar en la región violeta. Al comparar el rendimiento de clasificación en una variedad de límites elegidos, este límite se puede encontrar sin conocimiento previo.