Un físico de IA puede derivar las leyes naturales de universos imaginados

silva | Flickr

Como estudiante, Galileo observó una lámpara que se balanceaba en la catedral de Pisa y cronometró su balanceo contra su pulso. Concluyó que el período era constante e independiente de su amplitud.

Galileo continuó sugiriendo que un péndulo podía controlar un reloj y luego diseñó una máquina de este tipo, aunque el primer reloj de este tipo fue construido por Huygens unos 15 años después de la muerte de Galileo.

Al hacer este descubrimiento, la genialidad de Galileo fue ignorar todos los detalles desordenados que de otro modo estarían presentes en la catedral: resistencia del aire, temperatura, luces parpadeantes, ruido, otras personas, etc. Consideró un modelo simple de una lámpara oscilante utilizando solo su período, centrándose en el detalle más destacado.

Para muchos historiadores, el enfoque de Galileo representa la etapa más temprana en la evolución del método científico, el mismo proceso que ha producido el vuelo, la teoría cuántica, la computación electrónica, la relatividad general e incluso la inteligencia artificial.

En los últimos años, los sistemas de IA han comenzado a encontrar patrones interesantes en los propios datos e incluso derivaron ciertas leyes de la física como resultado. Pero en estos casos, la IA siempre estudiaba un conjunto de datos especiales que habían sido aislados de las distracciones del mundo real. La capacidad de estos sistemas de IA está muy lejos de la capacidad de humanos como Galileo.

Y eso plantea una pregunta interesante: ¿es posible diseñar un sistema de IA que desarrolle teorías como lo hizo Galileo, concentrándose en la información que necesita para explicar diferentes aspectos del mundo que observa?

Hoy recibimos una respuesta, gracias al trabajo de Tailin Wu y Max Tegmark del MIT en Cambridge, Massachusetts. Estos muchachos han desarrollado un sistema de inteligencia artificial que copia el enfoque de Galileo y algunos de los otros trucos que los físicos han aprendido a lo largo de los siglos. Su sistema, llamado AI Physicist, es capaz de descubrir varias leyes de la física en mundos misteriosos construidos deliberadamente para simular la complejidad de nuestro universo.

Wu y Tegmark comienzan identificando una debilidad significativa de los sistemas modernos de IA. Cuando se les da un gran conjunto de datos, por lo general buscan una sola teoría que gobierne todo. Pero eso se vuelve cada vez más difícil cuanto más grande y desordenado se vuelve el conjunto de datos.

De hecho, el interior de una catedral sería un entorno virtualmente imposible para que cualquier sistema de IA actual extrajera las leyes de la física.

Para hacer frente a este problema, los físicos utilizan una serie de procesos de pensamiento para simplificar el problema. El primero es desarrollar teorías que describan solo una pequeña parte del conjunto de datos. Eso produce múltiples teorías que describen diferentes aspectos de los datos, como la mecánica cuántica y la relatividad, por ejemplo.

Wu y Tegmark han desarrollado AI Physicist para tratar grandes conjuntos de datos de la misma manera.

Otra regla general que usan los físicos es la navaja de Occam: la idea de que las explicaciones más simples son mejores. Es por eso que los físicos generalmente descartan las teorías que requieren un motor principal para crear el universo, la Tierra o la vida misma: la supuesta existencia de un motor principal plantea un conjunto adicional de preguntas sobre su naturaleza y origen.

Los sistemas de IA son bien conocidos por producir modelos demasiado complejos para describir los datos con los que se entrenan. Entonces, Wu y Tegmark también enseñan a su sistema a preferir teorías más simples a las más complejas. Lo hacen utilizando una medida directa de complejidad basada en la cantidad de información que encapsula la teoría.

Otro truco famoso de los físicos es buscar formas de unificar teorías. Si una teoría puede hacer el trabajo de dos, probablemente sea mejor. Esto ha impulsado la búsqueda de los físicos para encontrar la única ley que los gobierna a todos (aunque hay poca evidencia real de que tal teoría exista).

Un principio final que ha ayudado a que a los físicos les vaya bien es el aprendizaje permanente: la idea de que si un enfoque particular funcionó en el pasado, podría funcionar en problemas futuros. Entonces, el físico de IA de Wu y Tegmark recuerda las soluciones aprendidas y las prueba en problemas futuros.

Armados con estas técnicas, Wu y Tegmark pusieron a prueba a su físico de IA. Lo hacen ideando 40 mundos misteriosos regidos por leyes de la física que varían de un lugar a otro. Entonces, una pelota lanzada a uno de estos mundos podría caer inicialmente bajo la fuerza de la gravedad en una región gobernada por un potencial electromagnético, luego en una región gobernada por un potencial armónico, y así sucesivamente.

La pregunta que se hacen Wu y Tegmark es si su físico de IA puede derivar las leyes de la física relevantes simplemente observando el movimiento de la pelota a lo largo del tiempo. Y comparan el comportamiento del físico de IA con el de un físico recién nacido que utiliza el mismo enfoque pero sin el beneficio del aprendizaje permanente, así como con una red neuronal convencional.

Resulta que tanto el físico de IA como el físico recién nacido pueden derivar las leyes pertinentes. Ambos agentes pueden resolver más del 90% de los 40 mundos misteriosos, dicen.

La principal ventaja de AI Physicist sobre el agente Newborn es que aprende más rápidamente utilizando menos datos. Esto es muy parecido a que un científico experimentado puede resolver nuevos problemas mucho más rápido que un principiante al aprovechar el conocimiento previo sobre problemas similares, dicen Wu y Tegmark.

Y su sistema es significativamente mejor que una red neuronal convencional. Nuestro [físico de IA] por lo general aprende más rápido y produce errores de predicción cuadráticos medios aproximadamente mil millones de veces más pequeños que una red neuronal de avance estándar de complejidad comparable, dicen.

Ese es un trabajo impresionante que sugiere que los sistemas de IA podrían tener un impacto significativo en la forma en que avanza la ciencia. Por supuesto, la verdadera prueba será dejar que el físico de IA se suelte en un entorno real, como el interior de la catedral de Pisa, y ver si deriva el principio detrás de los relojes mecánicos.

O tal vez para dejarlo suelto en otros conjuntos de datos complejos, como los que desconciertan regularmente a los economistas, biólogos y científicos del clima. Seguramente aquí hay frutos al alcance de la mano para un sistema capaz de recolectarlos.

Y si el físico de la IA tiene éxito, los historiadores de la ciencia bien pueden recordarlo como uno de los primeros pasos en una nueva era de evolución para el método científico más allá de Galileo y sus colegas humanos. No se sabe a dónde nos puede llevar eso.

Ref: arxiv.org/abs/1810.10525 : Hacia un físico de IA para el aprendizaje no supervisado

esconder