Red neuronal gigante
Los informáticos crean redes neuronales artificiales formadas por varios nodos. Estos nodos son bastante similares a las neuronas biológicas que procesan información y transmiten señales. Toda la red o el organismo puede cambiar en función de estos mismos nodos. Imagínese que quiere que un nodo funcione de una manera determinada, puede aumentar el peso que se le asigna y a cambio conseguirá “aprender” durante la tarea. Así, por ejemplo, si se le da una serie de imágenes para que las estudie detenidamente, una red puede aprender a identificar las características de todos los objetos presentes en la imagen y a distinguirlos de los demás.
Vanchurin también ideó un modelo en el que la selección natural tendría un gran papel. Habría estructuras más estables que otras que sobrevivirían mientras que las demás serían eliminadas. Señala: “Espero que la selección natural produzca algunas estructuras de muy baja complejidad, como las cadenas de neuronas, pero a mayor escala, las estructuras serían más complicadas”.
El concepto ha hecho que los físicos y los expertos en aprendizaje automático se muestren bastante escépticos. Vanchurin mencionó que su principal intención era comprender a fondo cómo funciona el aprendizaje profundo. Quería aplicar métodos de mecánica estadística para estudiar el comportamiento de las redes neuronales. Las sorprendentes similitudes le llevaron a “explorar la idea de que el mundo físico es una red neuronal”.
Red neuronal Arxiv
Saltar al contenidoEn los últimos dos años, las técnicas de aprendizaje profundo han transformado el mundo de la inteligencia artificial. Una a una, las habilidades y técnicas que los humanos imaginaban como propias han empezado a caer ante el ataque de máquinas cada vez más potentes. Las redes neuronales profundas son ahora mejores que los humanos en tareas como el reconocimiento de caras y de objetos. Han dominado el antiguo juego del Go y han derrotado a los mejores jugadores humanos.Pero hay un problema. No hay ninguna razón matemática para que las redes organizadas en capas sean tan buenas en estos retos. Los matemáticos están desconcertados. A pesar del enorme éxito de las redes neuronales profundas, nadie sabe muy bien cómo consiguen su éxito.Hoy eso cambia gracias al trabajo de Henry Lin en la Universidad de Harvard y Max Tegmark en el MIT. Estos chicos dicen que la razón por la que los matemáticos han estado tan avergonzados es que la respuesta depende de la naturaleza del universo. En otras palabras, la respuesta se encuentra en el régimen de la física más que en el de las matemáticas.En primer lugar, planteemos el problema utilizando el ejemplo de clasificar una imagen en escala de grises de un megabit para determinar si muestra un gato o un perro.
El mundo como red neuronal
En las raíces de la realidad existe un complejo sistema de características y procesos que llamamos naturaleza. Definida de forma imprecisa, la naturaleza es el fenómeno que comprende el mundo físico tal y como lo conocemos… y nadie dijo nunca que fuera menos complejo.
Una definición simplificada de una red neuronal describe un conjunto de algoritmos que funciona de forma que imita el modo en que lo hace un cerebro -que generalmente se espera que sea el de un ser humano-. En un nuevo trabajo de Vitaly Vanchurin, del Departamento de Física de la Universidad de Minnesota, Duluth, el autor examina la audaz propuesta de que todo nuestro universo funciona esencialmente como una red neuronal.
El estudio de Vanchurin basa gran parte de su premisa en la mecánica cuántica, un paradigma que, según él, “tiene tanto éxito que se cree ampliamente que, en el nivel más fundamental, todo el universo se rige por las reglas de la mecánica cuántica e incluso la gravedad debe surgir de alguna manera de ella”.
En su artículo, Vanchurin proporciona una justificación matemática de por qué no sólo piensa que el universo se comporta como una red neuronal, sino que así es como funciona literalmente, de acuerdo con la mecánica cuántica.
Red neuronal y universo en línea
IntroducciónEn el interior de una caja insonorizada se encuentra una de las peores redes neuronales del mundo. Tras presentarle una imagen del número 6, se detiene un momento antes de identificar el dígito: el cero. Peter McMahon, el físico-ingeniero de la Universidad de Cornell que dirigió el desarrollo de la red, la defiende con una sonrisa tímida, señalando que el número escrito a mano parece descuidado. Logan Wright, un postdoctorado que visita el laboratorio de McMahon desde NTT Research, asegura que el dispositivo suele acertar la respuesta, pero reconoce que los errores son habituales. “Es así de malo”, dice.
A pesar de su decepcionante rendimiento, esta red neuronal es innovadora. Los investigadores volcaron el cajón y mostraron no un chip informático, sino un micrófono orientado hacia una placa de titanio atornillada a un altavoz. Otras redes neuronales funcionan en el mundo digital de los 0 y los 1, pero este dispositivo funciona con el sonido. Cuando Wright muestra una nueva imagen de un dígito, sus píxeles se convierten en sonido y un tenue parloteo llena el laboratorio mientras el altavoz agita la placa. Las reverberaciones metálicas se encargan de la “lectura” en lugar de un software que se ejecuta en el silicio. Que el dispositivo tenga éxito a menudo resulta increíble, incluso para sus diseñadores.