Investigadores de la Universidad Estatal de Carolina del Norte han descubierto que la enseñanza de la física a las redes neuronales permite que esas redes se adapten mejor al caos dentro de su entorno. El trabajo tiene implicaciones para aplicaciones mejoradas de inteligencia artificial (IA) que van desde diagnósticos médicos hasta pilotaje automatizado de drones.

Las redes neuronales son un tipo avanzado de IA que se basa libremente en la forma en que funciona nuestro cerebro. Nuestras neuronas naturales intercambian impulsos eléctricos de acuerdo con la fuerza de sus conexiones. Las redes neuronales artificiales imitan este comportamiento ajustando pesos numéricos y sesgos durante las sesiones de entrenamiento para minimizar la diferencia entre sus resultados reales y deseados. Por ejemplo, se puede entrenar una red neuronal para identificar fotos de perros examinando una gran cantidad de fotos, adivinar si la foto es de un perro, ver qué tan lejos está y luego ajustar sus pesos y sesgos hasta que estén más cerca de la realidad.

El inconveniente de este entrenamiento de redes neuronales es algo llamado "ceguera del caos", una incapacidad para predecir o responder al caos en un sistema. La IA convencional es ciega al caos. Pero los investigadores del Laboratorio de Inteligencia Artificial No Lineal (NAIL) de NC State han descubierto que la incorporación de una función hamiltoniana en las redes neuronales les permite "ver" el caos dentro de un sistema y adaptarse en consecuencia.

Simplemente pon, el hamiltoniano incorpora la información completa sobre un sistema físico dinámico:la cantidad total de todas las energías presentes, cinética y potencial. Imagina un péndulo oscilante, moviéndose hacia adelante y hacia atrás en el espacio a lo largo del tiempo. Ahora mire una instantánea de ese péndulo. La instantánea no puede decirle dónde está ese péndulo en su arco o hacia dónde se dirige a continuación. Las redes neuronales convencionales operan a partir de una instantánea del péndulo. Las redes neuronales familiarizadas con el flujo hamiltoniano comprenden la totalidad del movimiento del péndulo:dónde está, donde estará o podría estar, y las energías involucradas en su movimiento.

En un proyecto de prueba de concepto, el equipo de NAIL incorporó la estructura hamiltoniana en redes neuronales, luego los aplicó a un modelo conocido de dinámica estelar y molecular llamado modelo de Hénon-Heiles. La red neuronal hamiltoniana predijo con precisión la dinámica del sistema, incluso mientras se movía entre el orden y el caos.

"El hamiltoniano es realmente la 'salsa especial' que da a las redes neuronales la capacidad de aprender el orden y el caos, "dice John Lindner, investigador visitante en NAIL, profesor de física en The College of Wooster y autor correspondiente de un artículo que describe el trabajo. "Con el hamiltoniano, la red neuronal comprende la dinámica subyacente de una manera que una red convencional no puede. Este es un primer paso hacia redes neuronales conocedoras de la física que podrían ayudarnos a resolver problemas difíciles ".

La obra aparece en Revisión física E y es apoyado en parte por la Oficina de Investigación Naval. El investigador postdoctoral de NC State Anshul Choudhary es el primer autor. Bill Ditto, profesor de física en NC State, es director de NAIL. El investigador invitado Scott Miller; Sudeshna Sinha, del Instituto Indio de Educación e Investigación Científica Mohali; y el estudiante graduado de NC State Elliott Holliday también contribuyeron al trabajo.