CHICAGO—Un circuito eléctrico simple ha aprendido a reconocer las flores en función del tamaño de sus pétalos. Eso puede parecer trivial en comparación con los sistemas de inteligencia artificial (IA) que reconocen rostros en una multitud, transcriben palabras habladas en texto y realizan otras hazañas asombrosas. Sin embargo, el diminuto circuito eclipsa a los sistemas convencionales de aprendizaje automático de una manera clave: se enseña a sí mismo sin la ayuda de una computadora, similar a un cerebro vivo. El resultado demuestra una forma de evitar la gran cantidad de cómputo que normalmente se requiere para ajustar un sistema de IA, un problema que podría convertirse en un obstáculo a medida que dichos programas se vuelvan cada vez más complejos.
“Es una prueba de principio”, dice Samuel Dillavou, físico de la Universidad de Pensilvania que presentó el trabajo aquí esta semana en la reunión anual de marzo de la Sociedad Estadounidense de Física. “Estamos aprendiendo algo sobre el aprendizaje”.
Actualmente, la herramienta estándar para el aprendizaje automático es la red neuronal artificial. Tales redes normalmente solo existen en la memoria de una computadora, aunque algunos investigadores han encontrado formas de incorporarlas en objetos cotidianos. Una red neuronal consta de puntos o nodos, cada uno de los cuales puede tomar un valor que va de 0 a 1, conectados por líneas o aristas. Cada borde se pondera dependiendo de qué tan correlacionados o anticorrelacionados estén los dos nodos.
Los nodos están organizados en capas, con la primera capa tomando las entradas y la última capa produciendo las salidas. Por ejemplo, la primera capa podría tomar como entrada el color de los píxeles en fotografías en blanco y negro. La capa de salida puede consistir en un solo nodo que arroja un 0 si la imagen es de un gato y un 1 si es de un perro.
Para enseñar el sistema, los desarrolladores normalmente lo exponen a un conjunto de imágenes de entrenamiento y ajustan los pesos de los bordes para obtener el resultado correcto. Es un problema de optimización abrumador que se vuelve dramáticamente más complejo con el tamaño de la red, y requiere un procesamiento informático sustancial distinto de la propia red neuronal. Para complicar aún más las cosas, todos los bordes de toda la red deben ajustarse simultáneamente en lugar de uno tras otro. Para sortear este problema, los físicos han estado buscando sistemas físicos que puedan sintonizarse de manera eficiente sin la computación externa.
Ahora, Dillavou y sus colegas han desarrollado un sistema que puede hacer precisamente eso. Montaron una pequeña red conectando aleatoriamente 16 componentes eléctricos comunes llamados resistencias ajustables, como muchos limpiapipas. Cada resistencia sirve como un borde en la red, y los nodos son las uniones donde se encuentran los conductores de las resistencias. Para usar la red, los investigadores establecieron voltajes para ciertos nodos de entrada y leyeron los voltajes de los nodos de salida. Al ajustar las resistencias, la red automatizada aprendió a producir las salidas deseadas para un conjunto dado de entradas.
Para entrenar el sistema con una cantidad mínima de computación y memoria, los investigadores construyeron dos redes idénticas una encima de la otra. En la red «sujeta», alimentaron los voltajes de entrada y fijaron el voltaje de salida al valor que querían. En la red «libre», fijaron solo el voltaje de entrada y luego dejaron que todos los demás voltajes flotaran al valor que quisieran, lo que generalmente daba un voltaje incorrecto en la salida.
Luego, el sistema ajustó las resistencias en las dos redes de acuerdo con una regla simple que dependía de si la diferencia de voltaje en un resistor en la red fija era mayor o menor que la diferencia de voltaje en el resistor correspondiente en la red libre. Después de varias iteraciones, esos ajustes pusieron de acuerdo todos los voltajes en todos los nodos de las dos redes y entrenaron a ambas redes para dar la salida correcta para una entrada determinada.
Crucialmente, ese ajuste requiere muy poco cálculo. El sistema solo necesita comparar la caída de voltaje a través de las resistencias correspondientes en las redes sujetas y libres, utilizando un dispositivo eléctrico relativamente simple llamado comparador, dice Dillavou.
La red se ajustó para realizar una variedad de tareas simples de IA, informó Dillavou en la reunión. Por ejemplo, podría distinguir con una precisión superior al 95 % entre tres especies de iris según cuatro medidas físicas de una flor: el largo y el ancho de sus pétalos y sépalos, las hojas justo debajo de la flor. Esa es una prueba de IA canónica que usa un conjunto estándar de 150 imágenes, 30 de las cuales se usaron para entrenar la red, dice Dillavou.
Sin embargo, parece poco probable que la red de resistencias reemplace alguna vez a las redes neuronales estándar. Por un lado, su respuesta a diferentes entradas probablemente tenga que variar más dramáticamente si la red de resistencias va a igualar la capacidad de una red neuronal artificial para hacer distinciones finas, dice Divallou.
Pero Jason Rocks, físico de la Universidad de Boston, dice que no está descartado que la idea pueda tener alguna utilidad tecnológica. “Si está hecho de componentes eléctricos, entonces debería poder reducirse a un microchip”, dice. “Creo que ahí es a donde van con esto”.
