El profesor Thomas Müller y el profesor Hans Briegel llevan varios años investigando un modelo de aprendizaje automático que difiere significativamente de los modelos alternativos de aprendizaje de inteligencia artificial (IA). El filósofo de Konstanz y el físico teórico de la Universidad de Innsbruck han integrado métodos de teoría de la acción filosófica y óptica cuántica. Su modelo de aprendizaje de "simulación proyectiva" ya se ha aplicado con éxito en la investigación básica.

Junto con la física de Innsbruck, Dra. Katja Ried, los investigadores ahora han adaptado este modelo de IA para una aplicación realista a los sistemas biológicos. El número actual de la revista científica Más uno analiza cómo se puede utilizar el modelo de aprendizaje para modelar y reproducir el comportamiento de enjambre específico de las langostas.

Demanda de modelos "más cercanos a la biología"

Para llevar a cabo su investigación colaborativa interdisciplinaria, los científicos utilizaron datos sobre el comportamiento de las langostas del Centro para el Estudio Avanzado del Comportamiento Colectivo en Konstanz, que realiza investigaciones sobre el comportamiento colectivo. Los biólogos, en particular, están exigiendo que los modelos que expliquen el comportamiento colectivo se diseñen para estar "más cerca de la biología".

La mayoría de los modelos actuales fueron ideados por físicos que asumen que los individuos que interactúan están influenciados por una fuerza física. Como resultado, no necesariamente perciben a los individuos dentro de los enjambres como agentes, pero en vez, como puntos tales como unidades de magnetización que interactúan en una cuadrícula. "Los modelos funcionan bien en física y tienen una buena base empírica allí. Sin embargo, no modelan la interacción entre individuos vivos, "dice Thomas Müller.

Las reglas de IA permiten que los agentes aprendan

La simulación proyectiva es un modelo de aprendizaje desarrollado originalmente por Hans Briegel y se basa en agentes que no reaccionan a los eventos de una manera preprogramada. En lugar de, son capaces de aprender. Estos "agentes de aprendizaje" se codifican como individuos con diferentes disposiciones conductuales que interactúan con su entorno al percibir y reaccionar a la información sensorial. Para este propósito, siguen las reglas de la IA que les permiten utilizar sus experiencias individuales anteriores para ajustar sus acciones.

Por un lado, este proceso de aprendizaje implica procesos aleatorios basados ​​en la física cuántica durante los cuales se consideran todos los posibles cursos de acción. Por otra parte, entra en juego el principio teórico de la acción del aprendizaje por refuerzo, que se basa en recompensar determinados resultados. "Damos una recompensa si el agente se mueve con los demás de manera ordenada. Con el tiempo, un agente se da cuenta:al percibir ciertas cosas, es mejor reaccionar de una manera que conduzca a una recompensa. No preestablecemos el curso de acción correcto en una situación particular, pero nos aseguramos de que se logre mediante la interacción entre los agentes, "explica Thomas Müller.

El modelo de aprendizaje puede reproducir el comportamiento colectivo

Thomas Müller, Katja Ried y Hans Briegel han aplicado este modelo de aprendizaje al comportamiento de enjambre específico y bien investigado de una langosta. En un espacio reducido El comportamiento de movimiento del insecto corresponde al tamaño del enjambre. Si solo hay unas pocas personas, las langostas se mueven de forma desordenada. En mayor número, se mueven juntos como una unidad. En grandes cantidades, se mueven como una unidad y en la misma dirección. Dado que los investigadores estaban inicialmente interesados ​​en simplemente probar su modelo de aprendizaje, utilizaron una descripción cualitativa del comportamiento de las langostas en lugar de datos brutos. De este modo, Ellos eran, De hecho, capaz de reproducir cualitativamente el comportamiento de las langostas.

Mirando hacia el futuro, Thomas Müller cree que la investigación futura en esta área se beneficiará de grandes conjuntos de datos sobre animales, como cardúmenes de peces con sus patrones dinámicos de comportamiento. "Modelar peces probablemente sería un paso bueno, pero también muy complicado, para hacer que nuestro modelo de aprendizaje sea aún más realista, "concluye Müller.