Es fácil pensar en el aprendizaje automático como un fenómeno puramente digital, posible gracias a computadoras y algoritmos que pueden imitar un comportamiento similar al 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 este campo de trabajo.
El equipo de la UM formado por Shuaifeng Li y Xiaoming Mao ideó un algoritmo que proporciona un marco matemático para aprender mecanismos en redes llamadas redes neuronales mecánicas.
“Estamos viendo que los materiales pueden aprender tareas y realizar cálculos por sí solos”, dijo Lee.
Los investigadores han demostrado cómo se puede utilizar este algoritmo para “entrenar” el material para resolver problemas, como la identificación de diferentes tipos de plantas de iris. Algún día, estos materiales podrían crear estructuras capaces de resolver problemas más avanzados, como alas de avión que optimicen su forma para diferentes condiciones de viento, sin necesidad de ayuda de humanos ni computadoras.
Ese futuro está lejos, pero los conocimientos de la nueva investigación de la UM podrían ser de estímulo inmediato para los investigadores fuera del campo, dijo el investigador postdoctoral Lee.
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 para explorar cómo aprenden los sistemas vivos, dijeron los investigadores.
“Estamos viendo el éxito de la teoría de la retropropagación en muchos sistemas físicos”, dijo Lee. “Creo que también puede 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 idea de utilizar objetos físicos en la computación existe desde hace décadas. Pero dado que el interés crece junto con otros avances recientes en inteligencia artificial, el enfoque en las redes neuronales mecánicas es más reciente.
La mayoría de estos avances (y ciertamente los más visibles) se han producido en el ámbito de la tecnología informática. Cada semana, millones de personas recurren a chatbots con tecnología de inteligencia artificial, como ChatGPT, para ayudarlos a escribir correos electrónicos, planificar vacaciones y más.
Estos asistentes de IA se basan en redes neuronales artificiales. Aunque sus funciones son complejas y en gran medida ocultas a la vista, proporcionan una analogía útil para comprender las redes neuronales mecanicistas, dijo Lee.
Cuando se utiliza un chatbot, el usuario escribe un comando de entrada o una pregunta, que es interpretada por un algoritmo de red neuronal con mucha potencia de procesamiento en una red informática. Con base en lo que el sistema ha aprendido al exponerse a grandes cantidades de datos, produce una respuesta o resultado que se muestra en la pantalla del usuario.
Una red neuronal mecánica, o MNN, tiene los mismos elementos básicos. Para el estudio de Li y Mao, se adjuntó un peso al material de entrada, que sirvió como sistema de procesamiento. El resultado fue cómo el material cambiaba de forma debido al peso que actuaba sobre él.
“La fuerza es la información de entrada y el material es como el propio procesador, y la deformación del material es la salida o respuesta”, dijo Lee.
Para este estudio, el material del “procesador” consistía en mallas gomosas impresas en 3D, hechas de pequeños triángulos que formaban grandes trapecios. Los materiales aprenden ajustando la rigidez o flexibilidad de partes específicas dentro de esta red.
Para realizar sus aplicaciones futuras, como las alas de los aviones que ajustan sus propiedades en vuelo, los MNN necesitarán ajustar estas partes por sí solos. Se están investigando materiales que puedan hacer esto, pero aún no se pueden pedir desde un catálogo.
Entonces Lee ideó este enfoque imprimiendo nuevas versiones del procesador con secciones más gruesas o más delgadas para lograr la respuesta deseada. La principal contribución del trabajo de Li y Mao es el algoritmo que instruye a un material sobre cómo moldear estas piezas.
Cómo entrenar a tu MNN
Lee dijo que aunque las matemáticas detrás de la teoría de la retropropagación son complejas, la idea en sí es intuitiva.
Para iniciar el proceso, necesita saber cuál es su entrada y cómo desea que responda el sistema. Luego aplica la entrada y ve cómo la respuesta real difiere de la deseada. Luego, la red toma esta diferencia y la usa para dictar cómo cambia para acercarse al resultado deseado en iteraciones posteriores.
Matemáticamente, la diferencia entre la producción real y la producción deseada corresponde a una expresión llamada función de pérdida. Es aplicando un operador matemático llamado gradiente a la función de pérdida que la red aprende a cambiar.
Lee demostró que si sabes qué buscar, sus MNN proporcionan esa información.
“Puede mostrarte el gradiente automáticamente”, dijo Lee, y agregó que recibió ayuda de cámaras y códigos de computadora en la investigación. “Es realmente simple y realmente efectivo”.
Considere el caso en el que una malla consta enteramente de segmentos de igual espesor y rigidez. Si cuelgas un peso de un nodo central (el punto donde se unen los segmentos), los nodos vecinos a su izquierda y derecha caerán en la misma cantidad debido a la simetría del sistema.
Pero supongamos, en cambio, que quisiera crear una red que le diera no sólo una respuesta asimétrica, sino una respuesta altamente asimétrica. Es decir, quería crear una red que maximizara la diferencia de movimiento entre el nodo a la izquierda del peso y el nodo a su derecha.
Li y Mao utilizaron su algoritmo y una configuración experimental simple para construir una red que proporcione esta solución. (Otra similitud con la biología es que el enfoque sólo se preocupa por lo que hacen las conexiones cercanas, de manera similar a cómo funcionan las neuronas, dijo Lee).
Yendo un paso más allá, los investigadores también han proporcionado grandes conjuntos de datos de fuerzas de entrada para entrenar sus MNN, similar a lo que se hace en el aprendizaje automático en las computadoras.
En un ejemplo, diferentes fuerzas de entrada corresponden a diferentes tamaños de pétalos y hojas en las plantas de iris, definiendo características que ayudan a distinguir entre especies. Luego, Lee podría presentar una planta de una especie desconocida a la malla entrenada y podría secuenciarla correctamente.
Y Lee ya está trabajando para aumentar la complejidad del sistema y resolver estos problemas utilizando MNN que transportan ondas sonoras.
“Podemos codificar mucha más información en la entrada”, dijo Lee. “Con las ondas sonoras, tienes amplitud, frecuencia y fase que pueden codificar datos”.
Al mismo tiempo, el equipo de la UM también está estudiando clases más amplias de redes en materiales, incluidos conjuntos de polímeros y nanopartículas. Con ellos, pueden construir nuevos sistemas donde aplicar sus algoritmos 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.
