Ver, razonar y aprender son tres habilidades inherentes de las personas. El cerebro humano procesa cada imagen captada por los ojos en 13 milésimas de segundo y con ellas hace una foto de la realidad y sus leyes físicas. Este mecanismo nos permite aprender cuando somos niños, y se mantiene activo en la edad adulta: "¿Se caerá la torre de bloques? ¿Qué ocurre si lanzo una pelota?".

Para hacer estas predicciones, nuestro cerebro realiza rápidas simulaciones basadas en la información que ha aprendido y los principios físicos que ha deducido. El desarrollo de esta intuición es también de gran interés en la robótica. El objetivo de estos trabajos es crear robots que sean independientes y aprendan a razonar sobre el mundo que los rodea.

Para que los robots interactúen con el entorno no solo queremos controlar sus propios movimientos, sino también las consecuencias de sus actos, y eso se consigue evaluándolas en tiempo real con una simulación del mundo que imite sus sentidos y la percepción de lo que ocurre a su alrededor. Desde el laboratorio en Inteligencia Artificial del Instituto de Investigación en Ingeniería de Aragón se desarrolla una investigación para convertir los valores de los píxeles de las imágenes en información que entienda un ordenador. El objetivo es predecir el comportamiento de líquidos, muy presentes en tareas de cuidado y procesos industriales, para poder tomar decisiones informadas. ¿Pero qué distingue esta tecnología de otras?

Los trabajos existentes tienen dos problemas: la carencia de física, que puede resultar en situaciones incongruentes, y sus largos tiempos de cómputo para tomar decisiones. Esta investigación afronta esos retos para dar una solución que, además de estar dentro de los límites de la física, pueda dar una respuesta en tiempo real.

¿Qué son los gemelos digitales?

Para que un robot comprenda el mundo es necesario simularlo, es decir, crear una copia virtual para traducirlo al lenguaje de un ordenador. Los gemelos digitales son copias de máquinas, productos o servicios que se comportan de manera idéntica a su parte real. Con ellos aprendemos la respuesta de un sistema sin necesidad de alterar la copia original. Por ejemplo, podemos probar la acción de un medicamento en el gemelo digital de un corazón humano para comprobar si va a ser efectivo. Entre los gemelos digitales, distinguimos los gemelos vivos, que son aquellos que reaccionan a la vez o incluso más rápido que la parte real. Esta tecnología permite adelantarse a posibles problemas y dar soluciones preventivas. Diseñando gemelos vivos de líquidos, un robot interpreta lo que está manipulando.

¿Cuál es el próximo reto de los robots inteligentes?

Lejos de ser sustitutos, los robots independientes se crean para asistir a las personas en tareas que van desde lo cotidiano hasta lo peligroso, pero aún quedan grandes retos a los que hacer frente en su desarrollo. A pesar de tener acceso a grandes cantidades de datos, en ocasiones los que necesitamos son inaccesibles o difíciles de conseguir. Por tanto, es necesario crear sistemas que recuperen la información importante y que no sea medible para avanzar en el desarrollo de aplicaciones.

A su vez, aunque los modelos de percepción existentes pueden ser precisos, pueden darse situaciones fuera de su rango de aprendizaje. Los sistemas inteligentes deben evolucionar hacia modelos adaptativos capaces de detectar que el modelo no se ajusta completamente a la realidad que percibe y corregirse. Esto es lo que se llama un gemelo híbrido.

¿Hasta dónde llega la ciencia de datos?

En la era del internet de las cosas existen millones de datos que podemos aprovechar, pero también es necesario aprender a trabajar con este volumen de información: ¿Qué información dan los datos? ¿Qué conocimiento esconden?

Un modelo es la réplica matemática de un fenómeno real con el cual queremos trabajar. Los modelos aprendidos a partir de datos, en nuestro caso imágenes, son cada vez más comunes y se han visto fuertemente influenciados por las últimas tendencias en inteligencia artificial.

En particular, las redes neuronales son estructuras que imitan las conexiones cerebrales en el proceso de aprendizaje. A pesar de su poder, existen inconvenientes en su uso. Las redes encuentran una solución buena con la información de la que disponen, pero puede no ser la más óptima. Incorporar conocimientos de la física adquiridos durante siglos de avances científicos es la clave para guiar el aprendizaje de aquello que intentamos modelar. Pero trabajar con esta cantidad de datos podría ser computacionalmente inviable. Entre las técnicas matemáticas que forman la ciencia de datos se encuentran las llamadas técnicas de reducción de modelos, que analizan la información real que dan los datos para reducir su complejidad y aprender un sistema más sencillo pero con la misma información. Así podemos lograr tiempos de respuesta en tiempo real.

Te puede interesar

Científicos digitales: ¿podemos enseñar física a un ordenador?

Robots científicos: ¿puede una inteligencia artificial hacer ciencia?

Beatriz Moya García doctoranda en Ingeniería Mecánica de la Universidad de Zaragoza

La tesis 

-Ir al suplemento Tercer Milenio

Apúntate y recibe cada semana en tu correo la newsletter de ciencia