Es fácil pensar que el aprendizaje automático es un fenómeno completamente digital, posible gracias a computadoras y algoritmos que pueden imitar comportamientos similares a los del cerebro.
Pero las primeras máquinas eran analógicas y ahora, un pequeño pero creciente conjunto de investigaciones está demostrando que los sistemas mecánicos también son capaces de “aprender”. Los físicos de la Universidad de Michigan han aportado la última incorporación a ese campo de trabajo.
El equipo de la UM formado por Shuaifeng Li y Xiaoming Mao ideó un algoritmo que proporciona un marco matemático sobre cómo funciona el aprendizaje en redes llamadas redes neuronales mecánicas.
“Estamos viendo que los materiales pueden aprender tareas por sí mismos y realizar cálculos”, dijo Li.
Los investigadores han demostrado cómo se puede utilizar ese algoritmo para “entrenar” materiales para resolver problemas, como la identificación de diferentes especies de plantas de iris. Un día, estos materiales podrían crear estructuras capaces de resolver problemas aún más avanzados, como alas de avión que optimicen su forma para diferentes condiciones de viento, sin que intervengan humanos ni computadoras para ayudar.
Ese futuro está muy lejos, pero los conocimientos de la nueva investigación de la UM también podrían proporcionar una inspiración más inmediata para investigadores fuera del campo, dijo Li, investigador postdoctoral.
El algoritmo se basa en un enfoque llamado retropropagación, que se ha utilizado para permitir el aprendizaje tanto en sistemas digitales como ópticos. Debido a la aparente indiferencia del algoritmo hacia cómo se transporta la información, también podría ayudar a abrir nuevas vías de exploración sobre cómo aprenden los sistemas vivos, dijeron los investigadores.
“Estamos viendo el éxito de la teoría de la retropropagación en muchos sistemas físicos”, dijo Li. “Creo que esto también podría ayudar a los biólogos a comprender cómo funcionan las redes neuronales biológicas en humanos y otras especies”.
Li y Mao, profesor del Departamento de Física de la UM, publicaron su nuevo estudio en la revista Nature Communications.
MNN 101
La thought de utilizar objetos físicos en la computación existe desde hace décadas. Pero el enfoque en las redes neuronales mecánicas es más nuevo y el interés crece junto con otros avances recientes en inteligencia synthetic.
La mayoría de esos avances (y ciertamente los más visibles) se han producido en el ámbito de la tecnología informática. Cientos de millones de personas recurren cada semana a chatbots con tecnología de inteligencia synthetic, como ChatGPT, en busca de ayuda para escribir correos electrónicos, planificar vacaciones y más.
Estos asistentes de IA se basan en redes neuronales artificiales. Aunque su funcionamiento es complejo y en gran medida está oculto a la vista, proporcionan una analogía útil para comprender las redes neuronales mecánicas, afirmó Li.
Cuando se utiliza un chatbot, un usuario escribe un comando de entrada o una pregunta, que es interpretada por un algoritmo de pink neuronal que se ejecuta en una pink informática con muchísimo poder de procesamiento. Basado en lo que ese sistema ha aprendido al estar expuesto a grandes cantidades de datos, genera una respuesta o salida que aparece en la pantalla del usuario.
Una pink neuronal mecánica, o MNN, tiene los mismos elementos básicos. Para el estudio de Li y Mao, el insumo fue un peso adherido a un materials, que actúa como sistema de procesamiento. El resultado fue cómo el materials cambiaba de forma debido al peso que actuaba sobre él.
“La fuerza es la información de entrada y los materiales en sí son como el procesador, y la deformación de los materiales es la salida o respuesta”, dijo Li.
Para este estudio, los materiales del “procesador” eran celosías de goma impresas en 3D, hechas de pequeños triángulos que formaban trapecios más grandes. Los materiales aprenden ajustando la rigidez o flexibilidad de segmentos específicos dentro de esa pink.
Para realizar sus aplicaciones futuristas, como las alas de los aviones que ajustan sus propiedades sobre la marcha, los MNN necesitarán poder ajustar esos segmentos por sí solos. Se están investigando materiales que puedan hacer eso, pero aún no se pueden pedir desde un catálogo.
Entonces Li modeló este comportamiento imprimiendo nuevas versiones de un procesador con un segmento más grueso o más delgado para obtener la respuesta deseada. La principal contribución del trabajo de Li y Mao es el algoritmo que instruye a un materials sobre cómo adaptar esos segmentos.
Cómo entrenar a tu MNN
Aunque las matemáticas detrás de la teoría de la retropropagación son complejas, la thought en sí es intuitiva, dijo Li.
Para iniciar el proceso, necesita saber cuál es su opinión y cómo desea que responda el sistema. Luego aplica la entrada y ve cómo la respuesta actual difiere de lo deseado. Luego, la pink toma esa diferencia y la usa para informar cómo cambia para acercarse al resultado deseado en iteraciones posteriores.
Matemáticamente, la diferencia entre la producción actual y la producción deseada corresponde a una expresión llamada función de pérdida. Es aplicando un operador matemático conocido como gradiente a esa función de pérdida que la pink aprende a cambiar.
Li demostró que si sabes qué buscar, sus MNN proporcionan esa información.
“Puede mostrarte el gradiente automáticamente”, dijo Li, y agregó que contó con la ayuda de cámaras y códigos de computadora en este estudio. “Es realmente conveniente y realmente eficiente”.
Considere el caso en el que una pink está compuesta enteramente de segmentos con igual espesor y rigidez. Si cuelgas un peso de un nodo central (el punto donde se unen los segmentos), sus nodos vecinos a la izquierda y a la derecha se moverían hacia abajo en la misma cantidad debido a la simetría del sistema.
Pero supongamos, en cambio, que quisiera crear una pink que le diera no sólo una respuesta asimétrica, sino la respuesta más asimétrica. Es decir, querías crear una pink que proporcionara la máxima diferencia en el movimiento entre un nodo a la izquierda del peso y un nodo a su derecha.
Li y Mao utilizaron su algoritmo y una configuración experimental easy para crear la pink que brinda esa solución. (Otra similitud con la biología es que el enfoque sólo se preocupa por lo que hacen las conexiones cercanas, de manera comparable a cómo operan las neuronas, dijo Li).
Yendo un paso más allá, los investigadores también proporcionaron grandes conjuntos de datos de fuerzas de entrada, similares a lo que se hace en el aprendizaje automático en las computadoras, para entrenar sus MNN.
En un ejemplo de esto, diferentes fuerzas de entrada correspondieron a diferentes tamaños de pétalos y hojas en las plantas de iris, que son características definitorias que ayudan a diferenciar entre especies. Luego, Li podría presentar una planta de especie desconocida a la pink entrenada y podría clasificarla correctamente.
Y Li ya está trabajando para aumentar la complejidad del sistema y los problemas que puede resolver utilizando MNN que transportan ondas sonoras.
“Podemos codificar mucha más información en la entrada”, dijo Li. “Con las ondas sonoras, tienes la amplitud, la frecuencia y la fase que pueden codificar datos”.
Al mismo tiempo, el equipo de la UM también está estudiando clases más amplias de redes en materiales, incluidos polímeros y conjuntos de nanopartículas. Con ellos, pueden crear nuevos sistemas en los que puedan aplicar su algoritmo y trabajar para lograr máquinas de aprendizaje totalmente autónomas.
Este trabajo cuenta con el apoyo de la Oficina de Investigación Naval y el Centro de Sistemas de Partículas Complejos de la Fundación Nacional de Ciencias, o COMPASS.
