Una red neuronal que aprende por si misma las leyes de la Física podría ayudar a resolver los misterios de la Mecánica Cuántica.
Los astrónomos tardaron siglos en resolverlo. Pero ahora, un algoritmo de aprendizaje automático inspirado en el cerebro ha determinado que debe colocar al Sol en el centro del Sistema Solar, en función de cómo aparecen los movimientos del Sol y Marte desde la Tierra. La hazaña es una de las primeras pruebas de una técnica que los investigadores esperan que puedan usar para descubrir nuevas leyes de la Física, y quizás para reformular la Mecánica Cuántica, al encontrar patrones en grandes conjuntos de datos. Los resultados se publicarán en “Physical Review Letters 1 “.
El Físico Renato Renner del Instituto Federal Suizo de Tecnología (ETH) en Zurich y sus colaboradores querían diseñar un algoritmo que pudiera resumir grandes conjuntos de datos en algunas fórmulas básicas, imitando la forma en que los físicos elaboran ecuaciones concisas como E = mc 2 . Para hacer esto, los investigadores tuvieron que diseñar un nuevo tipo de red neuronal, un sistema de aprendizaje automático inspirado en la estructura del cerebro.
Las redes neuronales convencionales aprenden a reconocer objetos, como imágenes o sonidos, entrenandose en grandes conjuntos de datos. Descubren características generales: por ejemplo, ‘cuatro patas’ y ‘orejas puntiagudas’ podrían usarse para identificar gatos. Luego codifican esas características en ‘nodos’ matemáticos, el equivalente artificial de las neuronas. Pero en lugar de resumir esa información en unas pocas reglas fáciles de interpretar, como lo hacen los físicos, las redes neuronales son algo así como una caja negra, que difunden sus conocimientos adquiridos en miles o incluso millones de nodos de formas impredecibles y difíciles de interpretar.
Entonces, el equipo de Renner diseñó una especie de red neuronal ‘lobotomizada’: dos subredes que estan conectadas entre sí a través de un puñado de enlaces. La primera subred aprendería de los datos, como en una red neuronal típica, y la segunda usaría esa ‘experiencia’ para hacer y probar nuevas predicciones. Debido a que pocos enlaces conectaban los dos lados, la primera red se vio obligada a pasar información a la otra en un formato condensado. Renner lo compara con la forma en que un instructor podría transmitir sus conocimientos adquiridos a un estudiante.
Posicionamiento del planeta
Una de las primeras pruebas fue proporcionar a la red datos simulados sobre los movimientos de Marte y el Sol en el cielo, como se ve desde la Tierra. Desde este punto de vista, la órbita de Marte parece errática, por ejemplo, periódicamente se vuelve ‘retrógrada’, invirtiendo su curso. Durante siglos, los astrónomos pensaron que la Tierra estaba en el centro del Universo, y explicaron el movimiento de Marte al sugerir que los planetas se movían en pequeños círculos, llamados epiciclos, en la esfera celeste. Pero en el siglo XVI, Nicolaus Copernicus descubrió que los movimientos podían predecirse con un sistema de fórmulas mucho más simple si la Tierra y los planetas giraban alrededor del Sol.
Crédito: Imagen de Dominio Público.
La red neuronal del equipo ideó fórmulas al estilo de Copérnico para la trayectoria de Marte, redescubriendo “uno de los cambios de paradigmas más importantes en la historia de la ciencia”, dice Mario Krenn, Físico de la Universidad de Toronto en Canadá que trabaja en la aplicación de inteligencia artificial al descubrimiento científico.
Renner enfatiza que aunque el algoritmo derivó las fórmulas, se necesita un ojo humano para interpretar las ecuaciones y comprender cómo se relacionan con el movimiento de los planetas alrededor del Sol.
Este trabajo es importante porque puede identificar los parámetros cruciales que describen un sistema físico, dice el robotista Hod Lipson de la Universidad de Columbia en la ciudad de Nueva York. “Creo que este tipo de técnicas son nuestra única esperanza de comprender y mantener el ritmo de fenómenos cada vez más complejos, en Física y más allá”, dice.
Renner y su equipo quieren desarrollar tecnologías de aprendizaje automático que puedan ayudar a los físicos a resolver aparentes contradicciones en la Mecánica Cuántica. La teoría parece producir predicciones contradictorias sobre el resultado de un experimento y la forma en que lo ve un observador que está sujeto a sus leyes 2 .
“Es posible que la forma actual [en que se formula la Mecánica Cuántica] sea de alguna manera solo un artefacto histórico”, dice Renner. Agrega que una computadora podría llegar a una formulación libre de tales contradicciones, pero las últimas técnicas del equipo aún no son lo suficientemente sofisticadas como para hacerlo. Para avanzar hacia ese objetivo, él y sus colaboradores están tratando de desarrollar una versión de su red neuronal que no solo pueda aprender de los datos experimentales, sino que también proponga experimentos completamente nuevos para probar sus hipótesis.
References
- 1.Iten, R., Metger, T., Wilming, H., del Rio, L. & Renner, R. Phys. Rev. Lett. (in the press).
- 2.Frauchiger, D. & Renner, R. Nature Commun. 9, 3711 (2018).
Fuente: Nature News.
Artículo original: “AI Copernicus ‘discovers’ that Earth orbits the Sun“. Davide Castelvecchi. Nov. 7, 2019.
Material relacionado:
Un trabajo previo al actual y directamente relacionado con él, en que también intervino Renato Renner:
Discovering physical concepts with neural networks. Raban Iten, Tony Metger1 2 Henrik Wilming , L´ıdia del Rio , and Renato Renner. arXiv:1807.10300v2 [quant-ph] 29 Sep 2018.
Otro aporte de la Inteligencia Artificial a la resolución de problemas físico- matemáticos:
A neural net solves the three-body problem 100 million times faster. MIT Technology Review / Emerging Technology from the arXiv. Oct 26, 2019.
Sobre el Aprendizaje automático (Machine Learning):
Uno de los desarrollos recientes más importantes en inteligencia artificial es el aprendizaje automático. Al buscar patrones en grandes cantidades de datos, los algoritmos aprenden a realizar tareas que solían estar reservadas exclusivamente para humanos, desde reconocer el habla hasta hacer diagnósticos médicos. En la siguiente serie de artículos, Chris Budd analiza el aprendizaje automático, su historia y algunas de las preguntas morales que plantea:
Rise of the machines?. Chris Budd. Plus Math Magazine / University of Cambridge (UK). Dec. 12, 2018.
Sobre el Modelo Heliocéntrico de Copernico:
What Is The Heliocentric Model Of The Universe?. Matt Williams, Universe Today. Jan. 4, 2016.
Nikolaus Copernicus and the Heliocentric Model. Harald Sack. SciHi Blog. Feb. 19, 2019.
El caso del manejo y extracción de información a partir de la enorme cantidad de datos producidas por las grandes campañas de sondeo del cielo: Big Data.
La tremenda generación de datos de los nuevos proyectos de sondeo del cielo y otros, han motivado la necesidad no sólo de una mayor capacidad de almacenamiento, sino también mayor capacidad de procesamiento y posterior análisis para extraer nueva información, que deben realizarse al mismo ritmo de la adquisición de datos, de modo de poder ir encontrando nuevos objetivos de búsqueda para los instrumentos de registro (reorientando la búsqueda) y las investigaciones asociadas. Por supuesto , este tipo de tareas que deben realizarse al mismo ritmo de la adquisición de datos no son ejecutables por humanos, asi que debe recurrirse a procesos computacionales automáticos La especialidad que se dedica a dar respuestas a estos temas se denomina»Big Data» (Grandes Volúmenes de Datos) y también se aplica en una variedad de campos del conocimiento aparte de la Astronomía. Dentro de Big Data, el proceso cuyo objetivo es extraer nueva información a partir del conjunto de datos se denomina «Minería de Datos» ( su abreviatura en Inglés es «DM», «Data Mining»).
A su vez «Big Data» comparte y utiliza las herramientas de un tema mayor: La Inteligencia Artificial (su abreviatura en Inglés es»AI», Artificial Intelligence).
El siguiente artículo trata sobre el tema y contiene en el apartado “Material relacionado” una selección de recursos al respecto:
Observatorios Virtuales Astrofísicos. Carlos Costa. Asociación de Aficionados a la Astronomía de Uruguay. Julio 28, 2017.
