Mas Leída

Cómo los científicos están construyendo un mejor cerebro en un chip

23 Jun , 2021  

Para crear una IA más eficiente, los investigadores están buscando respuestas en el cerebro una vez más.

Durante casi un siglo, los científicos han recurrido al cerebro para crear modelos informáticos. La base de muchos de estos sistemas, desde la inteligencia artificial más antigua hasta los modelos de aprendizaje profundo actuales, son las redes neuronales artificiales. Estas redes de nodos eléctricos son una aproximación aproximada del funcionamiento interno de nuestra mente. Al igual que las neuronas que transportan pulsos a través de nuestro sistema nervioso, las señales enviadas a través de redes neuronales artificiales, o ANN, permiten a las máquinas resolver problemas complejos e incluso aprender con el tiempo.

Esta tecnología ha estimulado los avances en IA en las últimas décadas. Las ANN, que se han considerado el estándar de oro para los sistemas informáticos basados ​​en el cerebro, se encuentran en casi todos los entornos imaginables, desde las finanzas hasta la robótica y los teléfonos inteligentes.

Pero la informática en este nivel puede afectar los recursos. En un estudio de 2019 ,Los investigadores estimaron que un solo modelo de aprendizaje profundo puede generar aproximadamente las mismas emisiones de CO2 que cinco automóviles, combinados, en toda su vida útil. Eso es aproximadamente 17 veces la cantidad que el estadounidense promedio emite en un año.

A medida que los sistemas de inteligencia artificial se vuelven más grandes y complejos, los investigadores están trabajando en formas de hacer que estos procesos sean más eficientes y sostenibles desde el punto de vista energético. Para lograr esto, los expertos miran (una vez más) hacia el sistema de procesamiento más eficiente que conocemos: el cerebro.

El cerebro como musa

En el cerebro, las neuronas están conectadas por vías. Una neurona, si recibe suficiente información, enviará una señal a la siguiente en la línea. A medida que pasan más señales entre estas neuronas, esa conexión se fortalece. Los neurocientíficos explican este proceso utilizando el sistema neumático, «disparar juntos, conectar juntos», y es esencialmente cómo ocurre el aprendizaje.

Ya en la década de 1940, pensadores clave han desarrollado modelos informáticos basados ​​en la biología del cerebro humano. Para crear redes neuronales en las computadoras, los científicos crean vínculos entre diferentes elementos de procesamiento en el sistema, modelados a partir de la transferencia de señal entre sinapsis en el cerebro. Cada una de estas conexiones tiene un llamado peso, que indica qué tan fuerte es la conexión entre una entrada y una salida. Al igual que en el cerebro biológico, estos pesos se pueden fortalecer o debilitar en función de cómo se entrena el sistema informático.

Sin embargo, las redes neuronales artificiales son una aproximación torpe del verdadero poder de procesamiento del cerebro biológico. En muchas versiones de las RNA, las capas de neuronas se apilan unas sobre otras. En cada capa, estas neuronas reciben señales de la capa anterior antes de activar todas las neuronas en la siguiente. Activar cada entrada y salida en una dirección como esta puede atascar la potencia de procesamiento del sistema y requerir mucha más energía. En la era del aprendizaje profundo, los recursos necesarios para el mejor modelo de inteligencia artificial de su clase se han duplicado cada 3,4 meses , en promedio. Y a medida que los sistemas de inteligencia artificial se vuelven más grandes y complejos, la eficiencia se vuelve cada vez más importante.

“A medida que su diseño se vuelve cada vez más sofisticado, se requieren más y más recursos computacionales, se requiere mucha más potencia”, dice Wenzhe Guo , estudiante de ingeniería eléctrica e informática en la Universidad de Ciencia y Tecnología King Abdullah.

Para mediar en este problema, los científicos miran hacia el cerebro en busca de pistas. En los últimos años, los investigadores han logrado grandes avances en el desarrollo de redes neuronales de picos (SNN), una clase de ANN que se basa más de cerca en la biología. Según el modelo SNN, las neuronas individuales activan otras neuronas solo cuando son necesarias. Esto emula el «pico» que desencadena el paso de señales a través de neuronas biológicas. Este enfoque asincrónico garantiza que el sistema solo impulse una interacción cuando sea necesario para una determinada acción.

Guo es el investigador principal de un equipo que programó un microchip de bajo costo para usar la tecnología SNN. Su equipo demostró que su chip era 20 veces más rápido y 200 veces más eficiente energéticamente que otras plataformas de redes neuronales. Alejarse de las RNA, que son aproximaciones simplistas del cerebro, dice, abre nuevas oportunidades para la velocidad y la eficiencia.

Las principales empresas han comenzado a aprovechar el poder del modelo SNN para crear y entrenar chips neuromórficos complejos, una IA basada en algoritmos que refleja más de cerca cómo el cerebro humano interactúa con el mundo. TrueNorth de IBM , presentado en 2019, contiene un millón de neuronas y 256 millones de sinapsis en un chip de 28 nanómetros. El chip Loihi de Intel contiene 130.000 neuronas en 14 nanómetros y es capaz de un aprendizaje continuo y autónomo.

¿Más humano que un humano?

La inteligencia artificial, dice Guo, «ha estado involucrada en todos los aspectos de la vida». La computación basada en el sistema nervioso ya se usa ampliamente en software de clasificación de imágenes y reconocimiento de audio, robótica cognitiva , comunicación personal, nuestra comprensión actual de la actividad muscular y mucho más.

A medida que estos sistemas informáticos continúan pareciéndose más al cerebro, se hace un esfuerzo por usar chips de inteligencia artificial para estudiar el misterioso órgano que los inspiró. No existe un sistema modelo in vitro (experimentos que tienen lugar en tubos de ensayo y placas de Petri) para los científicos que esperan estudiar enfermedades neurodegenerativas, como el Alzheimer y la enfermedad de Parkinson. Probar medicamentos en el tejido cerebral real también puede ser un desafío, porque la complejidad del órgano puede dificultar la identificación de los mecanismos exactos que impulsan ciertos resultados de la investigación.

En una revisión de 2020 publicada en Neural Networks , un equipo de investigadores comparó ANN y SNN. Aunque las SNN aún no han alcanzado el nivel computacional de las ANN, los autores dicen que el progreso continuo las conducirá en la misma dirección. «El rápido progreso en este dominio produce continuamente resultados asombrosos con un tamaño de red cada vez mayor», escriben los autores del estudio, y agregan que la trayectoria de la tecnología es similar al desarrollo inicial del aprendizaje profundo.

Guo dice que los chips SNN, como el que está desarrollando su equipo, están hechos para ser útiles para varios propósitos. Dado que los chips se asemejan más a las vías neuronales del cerebro humano, algún día pueden ofrecer un modelo útil para los neurólogos que estudian diferentes enfermedades. «A partir de ahora, este SNN todavía no es tan bueno como ANN», señala Guo. «Pero tiene todo su potencial en el futuro».

,

Tecnología

Cómo Deepmind está usando la inteligencia artificial para ‘resolver’ el fútbol

23 Jun , 2021  

Después del Go, el Ajedrez y el plegado de proteínas, la compañía de inteligencia artificial más famosa del mundo está asumiendo el desafío de un deporte exclusivamente humano.

Una de las subsidiarias más famosas de Google es su unidad de inteligencia artificial, Deepmind. Esta empresa con sede en Londres tomó el mundo de la investigación de IA por asalto en 2013 cuando construyó una máquina que aprendió a jugar videojuegos convencionales, como Pong y Breakout, y luego logró rápidamente un rendimiento sobrehumano.

Eso anunció una serie de avances impresionantes. El principal de ellos fue la máquina AlphaGo que alcanzó niveles sobrehumanos en el antiguo juego chino de Go. Más recientemente, su máquina AlphaFold superó a todos los demás enfoques para abordar el problema de larga data del plegamiento de proteínas.

Entonces, una pregunta interesante es cuál es el próximo problema al que se enfrenta la empresa.

Ahora tenemos una respuesta. Deepmind ha creado un agente inteligente que ha aprendido a jugar al fútbol. No solo habilidades de alto nivel, como cómo abordar, pasar y jugar en un equipo, sino también cómo controlar un cuerpo humano completamente articulado de una manera que realiza estas acciones como un humano. El resultado es una simulación impresionante de fútbol de una manera que recuerda a los jugadores humanos, aunque ingenuos y torpes.

Siqi Liu y sus colegas de Deepmind describen el enfoque. La primera tarea es darle al agente inteligente el control total sobre una figura humanoide con todas las articulaciones y articulaciones, 56 grados de libertad que tiene un humano real.

El agente aprende a controlar a este humanoide en un entorno simulado con la gravedad ordinaria y otras leyes de la física incorporadas. Para ello, aprende a copiar el movimiento de futbolistas reales capturado mediante técnicas estándar de captura de movimiento. Estos movimientos incluyen correr, cambiar de dirección, patear, etc. Luego, los humanoides de la IA practican habilidades de nivel medio, como regatear, seguir el balón y disparar. Finalmente, los humanoides juegan en partidas 2 contra 2 en las que el equipo ganador es el que anota primero.

Uno de los resultados impresionantes de este proceso es que los humanoides aprenden tácticas de varios tipos. «Desarrollan la conciencia de los demás y aprenden a jugar en equipo, logrando cerrar la brecha entre el control motor de bajo nivel en una escala de tiempo de milisegundos y el comportamiento coordinado dirigido a objetivos como un equipo en la escala de tiempo de decenas de segundos», dice Liu y colegas. Las imágenes de estos juegos junto con la forma en que los jugadores aprenden están disponibles en línea.

Lo que hace que este trabajo se destaque es que Deepmind asume estos desafíos juntos, mientras que en el pasado, generalmente se abordaron por separado. Eso es importante porque el comportamiento emergente de los jugadores depende fundamentalmente de su agilidad y su movimiento naturalista, lo que muestra la ventaja de combinar estos enfoques. “Los resultados demuestran que los agentes artificiales pueden aprender a coordinar movimientos complejos para interactuar con objetos y lograr objetivos a largo plazo en cooperación con otros agentes”, dice el equipo.

Curiosamente, los jugadores aprenden a pasar, pero no parecen aprender a correr hacia el espacio. Quizás sea porque esto a menudo requiere que los jugadores huyan del balón. Sin esa capacidad, los patrones de juego recuerdan a los de los niños pequeños, que tienden a perseguir la pelota en manada.

Los niños mayores desarrollan una sensación de espacio y los jugadores adultos pasan gran parte del juego corriendo hacia el espacio o cerrando espacios en los que los jugadores de la oposición podrían correr, todo sin la pelota.

Pero el enfoque de Deepmind está en su infancia y tiene el potencial de avanzar significativamente. El siguiente paso obvio es jugar con equipos más grandes y ver qué comportamiento surge. «Los equipos más grandes también podrían conducir al surgimiento de tácticas más sofisticadas», dicen los investigadores.

Estrategias de robot

Deepmind también ha simplificado significativamente las reglas del fútbol: sin saques de banda, sin penaltis, sin porteros dedicados. Las nuevas habilidades requeridas para esto necesitarán algo de entrenamiento para los humanoides de IA, pero también puede conducir al desarrollo de diferentes estilos de juego.

¿Por qué Deepmind estaría interesado en una búsqueda aparentemente tan frívola? La respuesta probablemente sea comprender mejor cómo usar la IA para resolver problemas del mundo real con estrategias de movimiento complejas. «Creemos que los estudios basados ​​en simulación pueden ayudarnos a comprender aspectos de los principios computacionales que eventualmente nos permitirán generar comportamientos similares en el mundo real», dicen Liu y compañía.

Y puede haber algunos premios en el camino. Primero está el proyecto RoboCup, en el que equipos de robots humanoides juegan fútbol entre sí. Los juegos son lentos, forzados y cómicos. Así que no es difícil imaginar que la simulación de Deepmind se convierta en una fuerza poderosa en el fútbol robótico.

Luego está el potencial de los juegos. Es posible que los humanos tengan cierto control sobre el comportamiento de los jugadores, como ocurre con los actuales videojuegos de fútbol de la FIFA. Incluso puede ser posible incorporar humanos en estos juegos simulados utilizando tecnología de captura de movimiento.

Finalmente, existe la posibilidad de que las simulaciones de 11 jugadores se vuelvan más avanzadas que los juegos humanos. AlphaGo descubrió estrategias de juego completamente nuevas en Go, un juego que se ha jugado durante siglos. ¿Es imposible imaginar a Deepmind descubriendo nuevas tácticas y planes de juego para el fútbol? Dado su historial en otras áreas, sería una tontería descartarlo.

, ,

Actualidad

Este ‘fósil viviente’ podría alcanzar los 100 años

23 Jun , 2021  

Pocos animales viven tanto como los humanos. El celacanto del Océano Índico Occidental ( Latimeria chalumnae ), una especie de pez en peligro de extinción que puede crecer hasta 2 metros de largo y pesar unos 100 kilogramos, podría ser una rara excepción. Un nuevo estudio encuentra que el gigante submarino puede vivir hasta los 100 años.

Para llegar a esa cifra, los investigadores contaron pequeñas estructuras de calcio en forma de anillo en las escamas de celacantos conservadas en un museo francés. Descubrieron que, al igual que los anillos de los árboles, cada año se forma un nuevo anillo de calcio. Al contar los anillos, el equipo encontró que el espécimen más viejo tenía 84 años. Pero los investigadores creen que algunas personas podrían vivir hasta 100 años.

Además de tener una de las vidas más largas de cualquier pez marino, el estudio, publicado hoy en Current Biology , también encontró que los celacantos envejecen lentamente y no alcanzan la madurez sexual hasta los 40 a 60 años . Eso sería como si los humanos llegaran a la pubertad a la mediana edad.

Los hallazgos podrían ayudar a explicar por qué hay tan pocos celacantos. Alguna vez se pensó que los peces estaban extintos y a menudo se les llama «fósiles vivientes» debido a su similitud con los peces prehistóricos. Debido a que tardan tanto en alcanzar la edad reproductiva y tienen relativamente pocas crías, los celacantos que mueren temprano en la vida pueden no ser capaces de reemplazar a su población lo suficientemente rápido. Y, dicen los autores, la sobrepesca y la destrucción del hábitat probablemente no estén ayudando.

, , ,

Salud

Los sentidos ‘ocultos’ de su cuerpo pueden ayudar a tratar la epilepsia y la depresión

23 Jun , 2021  

Cuando se trata de nuestros sentidos, con frecuencia nos enfocamos en lo externo (el trueno, el resplandor de la luz del sol, la fragancia de las flores) que capturó nuestra atención en primer lugar. Pero nuestros cuerpos también tienen una gran cantidad de sentidos internos que le dicen a nuestro cerebro si nuestro corazón está latiendo a la velocidad correcta, por ejemplo, o si nuestra presión arterial es demasiado alta. Estas señales viajan constantemente a través de hormonas y nervios, incluida una misteriosa red de 100.000 fibras llamada nervio vago.

Ahora, nuevas técnicas están ayudando a los científicos a mapear las ramas delgadas y retorcidas del nervio vago, que conecta el cerebro con el corazón, los intestinos y otros órganos internos, y hacer descubrimientos sorprendentes sobre su papel en la memoria y las emociones. Estos hallazgos han generado investigaciones sobre tratamientos para todo, desde la enfermedad de Alzheimer hasta el trastorno de estrés postraumático y han llevado a la aprobación de implantes médicos para ayudar a tratar la epilepsia y la depresión. Cuando se trata de comprender la conexión entre el cerebro y la mente, es posible que una revisión intestinal no esté de más.

, , , ,

Tecnologia

La inteligencia artificial podría ayudar a los biólogos a clasificar las diminutas criaturas del mundo

23 Jun , 2021  

Con la biodiversidad en declive en todo el mundo, los investigadores están desesperados por catalogar todos los insectos y otros invertebrados de la Tierra, que representan el 90% de los 9 millones de especies aún por nombrar. Para hacerlo, los científicos generalmente se enfrentan a largas horas en el laboratorio clasificando las muestras que recolectaron.

Ingrese a DiversityScanner. El enfoque involucra un robot, que extrae insectos individuales y otras criaturas pequeñas de una en una de las bandejas y las fotografía. Luego, una computadora usa un tipo de inteligencia artificial conocida como aprendizaje automático para comparar las piernas, antenas y otras características de cada uno con especímenes conocidos.

Luego, la tecnología impone un código de color, o mapa de calor, sobre la imagen (ver arriba). Cuanto más cálido era el color, digamos, rojo, más dependía el programa de la computadora de esa parte del cuerpo para determinar el tipo de insecto que era. Este mapa de calor facilita que los investigadores verifiquen la identificación para ver cuál fue el proceso de “pensamiento” del programa.

Luego, el robot mueve cada insecto a una placa con 96 pozos diminutos, preparando estas muestras para la secuenciación del ADN. El fragmento de secuencia de identificación de especies resultante, un “código de barras de ADN”, está vinculado a la imagen en una base de datos de todas las muestras catalogadas.

Aunque no es tan bueno como un experto humano, el enfoque clasifica con precisión a los insectos el 91% de las veces , informaron los diseñadores de la tecnología en un estudio publicado en el servidor de preimpresión bioRxiv. Esa precisión mejorará a medida que se agreguen más especímenes a la base de datos, señalan.

Los investigadores han puesto a disposición abierta el software y los planes de impresión 3D para la tecnología. Y, como describen los científicos en una segunda preimpresión, han simplificado los pasos de secuenciación y el software para que los países en desarrollo y las organizaciones pequeñas puedan aprovecharlo: 96 insectos a la vez.

, ,

Popular

Las madres mangostas ayudan a que sus colonias prosperen, al olvidar qué crías son suyas

23 Jun , 2021  

Las mangostas preñadas en una colonia dan a luz la misma noche, un fenómeno que dificulta que las madres sepan qué crías son las suyas. Pero esa confusión funciona a su favor, e incluso puede conducir a una distribución más justa de los escasos recursos.

Trabajando con siete grupos de mangostas en Uganda, científicos de la Universidad de Exeter y la Universidad de Roehampton manipularon el peso al nacer de las crías dándoles comida extra a algunas de las mangostas preñadas, pero no a todas. Después de dar a luz, las madres bien alimentadas adoraban a los cachorros más pequeños nacidos de las mangostas desnutridas alimentándolos, cargándolos, protegiéndolos y acicalando con más frecuencia que a sus propios cachorros más grandes.

“Predijimos que un ‘velo de ignorancia’ haría que las hembras centraran su cuidado en los cachorros más necesitados” en lugar de en su propia descendencia, dijo el biólogo evolutivo de Exeter Michael Cant en un comunicado de prensa. Al hacerlo, agrega, las madres mangostas minimizan el riesgo de que su futura descendencia algún día se enfrente a una desventaja, mientras iguala el campo de juego para toda la colonia.

,