La inteligencia artificial, el aprendizaje autom\u00e1tico y las redes neuronales son t\u00e9rminos que cada vez resultan m\u00e1s habituales en la vida cotidiana. El reconocimiento de caras, la detecci\u00f3n de objetos, la clasificaci\u00f3n, segmentaci\u00f3n y contabilizaci\u00f3n de personas son tareas comunes para los algoritmos de aprendizaje autom\u00e1tico, que ya se utilizan de forma generalizada. Detr\u00e1s de todos estos procesos est\u00e1 el Machine Learning o el aprendizaje autom\u00e1tico, que implica que los ordenadores pueden captar las propiedades esenciales o las caracter\u00edsticas clave de procesos, fen\u00f3menos donde relaciones entre objetos son realmente complejas. Esto constituye un proceso de aprendizaje sobre buenos y malos ejemplos, sin tener ning\u00fan conocimiento previo sobre los objetos ni conocer las leyes f\u00edsicas que hay detr\u00e1s.<\/p>\n
Pero el aprendizaje autom\u00e1tico, al tratarse de un proceso de optimizaci\u00f3n ciega, se mantiene como una caja negra: cuando el ordenador toma una decisi\u00f3n que se considera v\u00e1lida, no se conoce el porqu\u00e9 de esta decisi\u00f3n y no otra, por lo que la maquinaria interna del m\u00e9todo sigue sin estar clara. Como resultado, las predicciones del aprendizaje autom\u00e1tico para situaciones cr\u00edticas son bastante arriesgadas y poco fiables, ya que pueden generar predicciones enga\u00f1osas.<\/p>\n
En este trabajo realizado por el grupo de investigadores formado por Vladimir Baulin, del Departamento de Ingenier\u00eda Qu\u00edmica de la URV; Marc Werner, del Leibniz Institute of Polymer Research (Dresden) i Yachong Guo (de la Universidad de Nanjing, China) ha puesto a prueba las predicciones de una red neuronal para comprobar si sus predicciones coinciden con el resultado real, ya conocido. Para ello escogieron un ejemplo pr\u00e1ctico y bien definido: la red neuronal deb\u00eda dise\u00f1ar una mol\u00e9cula de pol\u00edmero con la que atravesar la membrana lip\u00eddica en un tiempo m\u00ednimo. La membrana lip\u00eddica es una barrera natural que protege a las c\u00e9lulas del da\u00f1o y de componentes externos. Para controlar la predicci\u00f3n de la red neuronal, los investigadores desarrollaron un m\u00e9todo num\u00e9rico in\u00e9dito que utiliza un sistema de enumeraci\u00f3n exhaustiva y completa todas las posibilidades de composici\u00f3n de pol\u00edmero gracias a la programaci\u00f3n directa de las tarjetas gr\u00e1ficas de alto rendimiento en c\u00e1lculos paralelos. \u201cEl procesador tradicional de un ordenador puede contener un m\u00e1ximo de 12-24 n\u00facleos para realizar c\u00e1lculos, pero las tarjetas gr\u00e1ficas est\u00e1n dise\u00f1adas para hacer c\u00e1lculos paralelos de p\u00edxeles de im\u00e1genes y v\u00eddeos y tienen miles de n\u00facleos de c\u00e1lculos optimizados para c\u00e1lculos paralelos\u201d explica Vladimir Baulin. Esta enorme potencia computacional permite generar miles de millones de combinaciones de pol\u00edmeros en tan solo unos segundos o minutos. De esta manera es posible de generar un mapa que contenga todas las combinaciones posibles y, por tanto, monitorizar c\u00f3mo la red neuronal elige el resultado correcto.<\/p>\n
\u201cLo que es sorprendente es que una red m\u00ednima y tan simple como la red neuronal sea capaz de encontrar correctamente la composici\u00f3n de una mol\u00e9cula\u201d, destaca Baulin. \u201cEsto se debe probablemente a que los sistemas f\u00edsicos obedecen a las leyes de la naturaleza, que tienen simetr\u00eda intr\u00ednseca y auto-similitud, lo que a su vez reduce dr\u00e1sticamente el n\u00famero de posibles combinaciones de par\u00e1metros, que luego son capturados por las redes neuronales, \u201da\u00f1ade el investigador.<\/p>\n
Por lo tanto, comparar el resultado de la red neuronal con el resultado exacto no solo permite comprobar la predicci\u00f3n, sino que tambi\u00e9n puede demostrar c\u00f3mo evolucionan las predicciones si se cambia la tarea, mostrando as\u00ed como las redes neuronales toman decisiones y como \u201cpiensan\u201d.<\/p>\n