Inteligencia artificial: Científicos digitales: ¿podemos enseñar física a un ordenador?

mNo es novedad que releguemos a un ordenador tareas que antes hacíamos los seres humanos. Sería curioso ver en la actualidad a los estudiantes de Ingeniería utilizando un ábaco o revisando tomos de enciclopedia. La clave de los ordenadores es que son muy rápidos haciendo cálculos matemáticos y tienen mucha memoria para almacenar información, pero les falta el ingrediente más importante: capacidad para razonar. Por ese motivo existe una disciplina científica que se dedica a dotar de funciones cognitivas a las máquinas: la inteligencia artificial.

El científico digital es, por tanto, una inteligencia artificial. Para que este sistema sea capaz de aprender leyes científicas necesita de un método de aprendizaje, y qué mejor que inspirarnos en la mejor máquina de aprender jamás creada por la naturaleza: el cerebro. Así, el científico digital posee una serie de neuronas interconectadas que se entrenan a partir de datos experimentales para aprender un fenómeno físico, de la misma forma que lo haría un cerebro humano. Esta técnica se denomina red neuronal y se ha utilizado en multitud de disciplinas con resultados espectaculares, como predecir el plegamiento de las proteínas o enseñar a un ordenador a conversar de manera realista con una persona.

Sin embargo, todo el mundo sabe que ni siquiera el aprendizaje del cerebro humano es perfecto, ya que es sencillo aprender cosas mal o memorizar sin entender. Por eso, el verdadero reto de los científicos digitales es aprender la correcta estructura física del problema y, así, ser capaces de generalizar ese aprendizaje a situaciones nunca vistas en el entrenamiento. Esto se consigue mediante unas condiciones que se imponen llamadas sesgos inductivos, que se encargan de orientar el aprendizaje a la verdadera solución del problema.

¿Para qué sirve todo esto?

Todo el conocimiento científico parte de la necesidad innata del ser humano de aprender y conocer cómo funciona el mundo. En algunos casos es por pura curiosidad, pero la razón principal es por la utilidad de ese conocimiento. Conocer bien los fenómenos físicos nos permite predecir lo que va a ocurrir en el futuro: ¿Va a llover este fin de semana? ¿En qué dirección lanzamos un satélite para que orbite la Tierra? ¿Se va a romper este puente? Esta información es clave para poder tomar las mejores decisiones en el presente y maximizar el beneficio a largo plazo. En ciencia, a esto se le llama simulación y es ampliamente utilizado en disciplinas técnicas como física o ingeniería. Es mucho más práctico y barato realizar una simulación por ordenador en vez de crear un modelo a escala real para probar los diseños y poder así minimizar costes y abaratar el producto.

¿Por qué necesitamos que un ordenador aprenda?

Lo cierto es que las simulaciones se llevan utilizando desde la II Guerra Mundial. En la simulación tradicional se utilizan ecuaciones matemáticas bien conocidas que han sido programadas por un humano, de tal forma que el ordenador se limita a calcular numéricamente. Sin embargo, hay ciertos fenómenos físicos que son muy difíciles de resolver, modelar o incluso aún no se conoce la ecuación que los rige. Varios ejemplos de esto son los sistemas caóticos, los fluidos no-newtonianos o los materiales viscoelásticos. El hecho de que un científico digital aprenda esos fenómenos directamente de datos experimentales sin necesidad de decirle qué ecuación concreta tiene que resolver es una ventaja muy importante respecto a los métodos tradicionales de simulación. Además, una vez entrenado, el científico digital es capaz de hacer predicciones mucho más rápidas que cualquier otro método convencional de resolución de ecuaciones.

Cabe destacar que la función principal del científico digital es de apoyo al investigador, y en ningún caso el trabajo de los científicos se verá totalmente sustituido por inteligencias artificiales. Esta nueva tecnología se tiene que ver como una nueva herramienta para hacer predicciones rápidas y fiables, que luego siempre serán interpretadas y supervisadas por un científico humano.

¿Cómo podemos asegurar que el científico digital aprende correctamente?

La clave de nuestra investigación es orientar el aprendizaje del científico digital mediante sesgos inductivos para que llegue a la solución correcta. Estos sesgos se diseñan utilizando la ingente cantidad de conocimiento previo y tradición científica sobre los fenómenos físicos. Por ejemplo, existen lo que se llaman ‘simetrías’, que definen una serie de condiciones de conservación inviolables que siempre se tienen que satisfacer. Por otro lado, la termodinámica nos dice que hay ciertas magnitudes que se comportan de manera especial (como la entropía, que nunca decrece).

Estas reglas físicas tan básicas que no dependen del sistema, entre otras, son las que le imponemos en el aprendizaje. En resumidas cuentas, nos aseguramos de que el científico digital aprende la física de manera que no incumple ninguna de las normas básicas de juego.

La tesis

TRABAJO Tesis doctoral realizada en el grupo Applied Mechanics and Bioengineering (AMB) y en el Instituto de Investigación en Ingeniería de Aragón (I3A). En el trabajo se desarrollan técnicas de ‘deep learning’ (aprendizaje profundo) aplicadas a simulaciones mecánicas físicamente consistentes.
AUTOR Quercus Hernández Laín, ingeniero industrial y doctorando del programa de Ingeniería Mecánica de la Universidad de Zaragoza.
DIRECTORES Elías Cueto Prendes y Alberto Badías Herbera.

Quercus Hernández Laín Doctorando en Ingeniería Mecánica de la Universidad de Zaragoza

-Ir al suplemento Tercer Milenio

Apúntate y recibe cada semana en tu correo la newsletter de Tercer Milenio