La inteligencia artificial se vuelve más rápida gracias a los gusanos

Desde la irrupción de chatGPT y sus primos cercanos (Bard, Jasper, YouChat, y muchos más) no dejamos de asombrarnos de la capacidad que tienen estas inteligencias artificiales de imitarnos. Las cosas que antes pensábamos que eran exclusivamente humanas, como la creación artística, ahora se antojan perfectamente asequibles para una máquina, que además supera al 90 % de los estudiantes en los exámenes de universidad de diferentes materias.

Pero las inteligencias artificiales tienen mejores maestros que los humanos para algunos usos. Una propuesta reciente y muy prometedora se basa en seres mucho más simples tanto en su estructura neuronal como en sus capacidades: los gusanos.

Un gusano transparente

El gusano Caenorhabditis elegans es transparente y tiene un sistema nervioso particularmente sencillo, precisamente por eso está perfectamente caracterizado. Sus 959 células le permiten moverse, encontrar comida, dormir y aparearse, y tiene especial facilidad para aprender de su propia experiencia para adaptarse a nuevos entornos.

Es decir, es el modelo ideal para un vehículo autónomo. Por eso este gusano constituye la base de las “redes neuronales líquidas”, cuyo objetivo es ser mucho más adaptables a nuevas situaciones que las redes neuronales tradicionales.

Las redes neuronales líquidas asignan una ecuación matemática a cada neurona, ecuación que predice el comportamiento futuro de la neurona correspondiente. Los vínculos entre unas neuronas y otras se reflejan también en las ecuaciones, que son dependientes entre sí. Además, estas ecuaciones son un poco más complejas que las que rigen las redes neuronales tradicionales. En las tradicionales, la reacción de una neurona es proporcional al estímulo que reciba, mientras que en las líquidas esta dependencia no tiene por qué ser proporcional.

Carreteras sinuosas

Gracias a esta complejidad, las redes neuronales líquidas son mucho más flexibles a la hora de adaptarse al entorno, y lo consiguen con muchas menos neuronas. Por ejemplo, al conducir un coche autónomo, una red neuronal líquida puede “ver” el entorno con una frecuencia mucho mayor que una tradicional. Si la carretera tiene muchas curvas, por ejemplo, esta mayor capacidad de respuesta podría ser crítica para que el coche no se saliera de su carril.

Sin embargo, la mayor complejidad también acarrea un problema. Resolver la maraña de ecuaciones que capta el comportamiento de toda la red neuronal no es nada sencillo. Más factible es dar con aproximaciones numéricas al resultado en cada momento determinado, pero este procedimiento es muy lento. Para que una red neuronal líquida sea capaz de conducir un coche autónomo, no es deseable que tarde tanto en hacer los cálculos que el coche no pueda circular a una velocidad razonable.

Por eso, la última propuesta de red neuronal líquida viene con una mejora importante: incluye la solución explícita a las ecuaciones, es decir, una expresión matemática que dicta el comportamiento de la red en cualquier instante de tiempo. Esto supone un hito no solo técnico sino también matemático: no se conocía ninguna solución explícita a este tipo de ecuaciones desde 1907, el año en que se propusieron por primera vez.

Así, la red no necesita incorporar, a cada instante, la información del entorno a las ecuaciones, y resolverlas para el instante siguiente. Al disponer de la solución para estas ecuaciones, puede, sencillamente, obtener el comportamiento prescrito para el instante que necesite en cada momento.

220 veces más rápidas

Esta simplificación vuelve a la red muchísimo más rápida que el modelo anterior en el que había que resolver las ecuaciones numéricamente, y también más rápida que otros modelos no basados en el gusano C. elegans. Por ejemplo, la red líquida tardo hasta 220 veces menos que otras redes en predecir la mortalidad de 8000 pacientes ingresados en la Unidad de Cuidados Intensivos de un hospital.

Además, la ganancia en rapidez no merma la flexibilidad que aporta el hecho de ser líquida. En la primera propuesta, se empleó una red líquida para conducir un coche autónomo. La red contenía solo 19 neuronas, muchísimas menos que las que contiene un coche autónomo típico, y conseguía dirigir el coche por caminos sinuosos de manera muy precisa. Incorporando la solución explícita de las ecuaciones matemáticas, se puede conseguir la misma precisión utilizando aún menos neuronas, lo que agiliza notablemente la computación.

Ahora, el equipo se propone ir un paso más allá y someter a una red neuronal líquida a una situación nunca vista. Al igual que para las personas, la capacidad de improvisación es todo un reto para las redes neuronales, que normalmente están diseñadas para reaccionar ante situaciones parecidas a las que se han sometido durante el entrenamiento.

Sin embargo, las redes neuronales líquidas podrían tener mejor capacidad de adaptación. Por eso el equipo las está probando en drones que, aunque han sido entrenados en un bosque, ahora deben volar en una ciudad. Aunque los resultados son todavía preliminares, parecen prometedores.

Además de coches autónomos y drones, las redes neuronales líquidas se podrían utilizar para analizar las redes eléctricas, transacciones financieras, el tiempo meteorológico y muchos otros fenómenos que cambian con el tiempo. De hecho, el equipo investigador se plantea utilizarlas para simular la actividad de cerebros con billones de células.

Hoy en día, modelizar de manera muy precisa un cerebro como el humano o incluso el de otros organismos más sencillos es algo inabarcable para la ciencia. Sin embargo, al disponer de soluciones explícitas para las ecuaciones del comportamiento de las neuronas, esta tarea podría volverse asequible. Posiblemente sea la inteligencia artificial la que nos ayude a entender nuestro propio cerebro.

QUE NO TE LA CUELEN:

• Además de la rapidez y la capacidad de adaptación, una ventaja muy grande de esta última generación de redes neuronales líquidas es que son más explicables. Al disponer de soluciones explícitas para las ecuaciones matemáticas que simulan el comportamiento de la red, es posible comprender las decisiones y predicciones que efectúa la red. El movimiento de “inteligencia artificial explicable”, abreviado como XAI, pretende devolver la transparencia a esta tecnología, tradicionalmente tan opaca.

REFERENCIAS (MLA):

• Hasani, Ramin, et al. “Liquid Time-Constant Networks.” Proceedings of the AAAI Conference on Artificial Intelligence, vol. 35, no. 9, 2021, pp. 7657–7666.,https://doi.org/10.1609/aaai.v35i9.16936.
• Hasani, Ramin, et al. “Closed-Form Continuous-Time Neural Networks.” Nature Machine Intelligence, vol. 4, no. 11, 2022, pp. 992–1003.,https://doi.org/10.1038/s42256-022-00556-7.
• Kao, Patrick. “Robust Flight Navigation with Liquid Neural Networks.” Massachusetts Institute of Technology, 2022.