Los coches que pueden conducir de forma autónoma han aparecido recientemente en los titulares. En el futuro cercano, las máquinas que pueden aprender de forma autónoma estarán cada vez más presentes en nuestras vidas. El secreto del aprendizaje eficiente para estas máquinas es definir un proceso iterativo para trazar la evolución de cómo los aspectos clave de estos sistemas cambian con el tiempo.

En un estudio publicado en EPJ B , Agustín Bilen y Pablo Kaluza de la Universidad Nacional de Cuyo, Mendoza, Argentina demuestra que estos sistemas inteligentes pueden evolucionar de forma autónoma para realizar una tarea específica y bien definida a lo largo del tiempo. Las aplicaciones van desde la nanotecnología hasta los sistemas biológicos, como las redes de transducción de señales biológicas, redes reguladoras genéticas con respuestas adaptativas, o redes genéticas en las que el nivel de expresión de ciertos genes en una red oscila de un estado a otro.

Estos sistemas autónomos no necesitan tutor externo. Tampoco reportan a una unidad central diseñada para modificar lo que debe aprender el sistema en función de su desempeño. Para aumentar su autonomía, los autores han incorporado una dinámica retardada y un circuito de retroalimentación con el rendimiento del sistema. La dinámica retrasada proporciona información sobre la historia del sistema, presentando así las relaciones pasadas entre su estructura y desempeño. Sucesivamente, el circuito de retroalimentación ofrece información sobre el rendimiento real del sistema en términos de qué tan cerca está de la tarea deseada.

Los investigadores primero aplicaron con éxito su enfoque a una red neuronal responsable de clasificar varios patrones, que arrojó un 66% de robustez. Estos conocimientos se pueden aplicar, p. Ej. en electrónica analógica, donde una pieza de hardware puede aprender una tarea de forma autónoma sin una unidad central de procesamiento o control externo. El equipo también probó su solución en un sistema de osciladores de fase, que son interesantes porque las poblaciones de tales osciladores muestran algunos rasgos de sincronización notables. En esos casos, el aprendizaje autónomo ayuda a evitar las fluctuaciones inherentes de error que normalmente se encuentran en tales sistemas.