Pablo Javier PiacenteUn equipo internacional de investigadores conformado por especialistas de la Universidad Técnica de Viena, el Instituto de Ciencia y Tecnología de Austria y el Instituto Tecnológico de Massachusetts, en Estados Unidos, ha desarrollado un nuevo modelo de aprendizaje profundo que simplifica las redes neuronales utilizadas y hace más eficientes las aplicaciones de Inteligencia Artificial. Según un comunicado, los científicos lograron controlar un vehículo autónomo inspirándose en los patrones neuronales de un gusano.
El nematodo C. elegans es un gusano que mide aproximadamente 1 milímetro de longitud. Cuenta con un cerebro de máxima simpleza y un escaso número de neuronas, pero aún así ha sorprendido a los expertos por las funciones que es capaz de desarrollar. Ahora, especialistas en Inteligencia Artificial lo han tomado de modelo para desarrollar nuevas estrategias de aprendizaje profundo, que alcanzan mejores resultados mediante redes neuronales más simples.
La investigación desarrollada por los científicos, que fue publicada en la revista Nature Machine Intelligence, comprueba que las redes neuronales más simples y pequeñas se pueden usar para resolver ciertas tareas de manera más eficiente y más confiable. La nueva técnica de Inteligencia Artificial permite un análisis más sencillo de las redes neuronales, que pueden entenderse al detalle en cada proceso y no se convierten en estructuras demasiado complejas y difíciles de gestionar.
Por ejemplo, el nuevo modelo de aprendizaje profundo inspirado en el diminuto gusano C. elegans se probó en el control de vehículos autónomos, logrando excelentes resultados a partir de una red compuesta solamente por 19 neuronas. Otra gran ventaja del sistema es que se adapta mucho mejor que otros modelos de aprendizaje profundo a las llamadas “entradas ruidosas”, o sea a la información inesperada o errónea que ingresa a la red y que exige una respuesta inmediata para superar el problema.
Menos neuronas y más eficiencia
Como sucede en los cerebros vivos, las redes neuronales artificiales constan de distintas células que se comunican entre sí e interactúan, hasta lograr la integración necesaria para desarrollar con éxito una tarea. El enfoque predominante en Inteligencia Artificial hasta hoy ha sido el uso de redes complejas, o sea con un gran número de células, pensando que esta condición incrementa el potencial de aplicaciones y genera sistemas más “inteligentes”.
Sin embargo, el nuevo modelo de aprendizaje profundo inspirado en un gusano parece invertir la ecuación: menos neuronas generan redes más eficientes. Los especialistas se concentraron en la característica que hace efectivo y funcional a C. elegans a pesar de la extrema simpleza de su cerebro: la forma eficiente y armoniosa en que el sistema nervioso del nematodo procesa la información.
Según Mathias Lechner, uno de los autores del estudio, “en la actualidad, los modelos de aprendizaje profundo con muchos millones de parámetros se utilizan a menudo para resolver tareas complejas como la conducción autónoma. Sin embargo, nuestro nuevo enfoque nos permite reducir el tamaño de las redes y emplear solamente 75.000 parámetros a entrenar”.
El científico explicó que se trata de una cantidad de parámetros mucho menor a la utilizada habitualmente en esta clase de tecnologías, algo que lógicamente desemboca en una reducción del tiempo de entrenamiento, en una mayor eficiencia económica y en una disponibilidad inmediata de las herramientas de Inteligencia Artificial.
Al mismo tiempo, la simpleza de las redes neuronales permite identificar sin mayores problemas el papel de cada célula en cualquier decisión de conducción, comprendiendo rápidamente la función de las células individuales y su comportamiento. Esto hace posible optimizar los modelos de aprendizaje profundo y pensar en nuevas aplicaciones y usos.
De acuerdo a los investigadores, el nuevo esquema facilita el aprendizaje por imitación en una extensa gama de posibles aplicaciones, que van desde el trabajo automatizado en almacenes hasta la locomoción de robots.
Referencia
Neural Circuit Policies Enabling Auditable Autonomy. M. Lechner, R. Hasani, A. Amini, T. Henzinger, D. Rus, R. Grosu. Nature Machine Intelligence (2020).DOI:https://doi.org/10.1038/s42256-020-00237-3
Foto:
El equipo probó su nueva red neuronal en una tarea importante: mantener los vehículos autónomos en sus carriles. Crédito: Ramin Hasani.
Video: Instituto Tecnológico de Massachusetts.
Hacer un comentario