Un estudi impulsat per la URV ha posat a prova el mètode de xarxes neuronals per inferir les lleis de la física, a través d'un sistema que enumera de forma exacta totes les combinacions possibles

La intel·ligència artificial, l’aprenentatge automàtic i les xarxes neuronals són termes que cada vegada resulten més habituals en la vida quotidiana. El reconeixement de cares, la detecció d’objectes, la classificació, segmentació i comptabilització de persones són tasques comunes per als algoritmes d’aprenentatge automàtic, que ja s’utilitzen de forma generalitzada. Darrere de tots aquests processos hi ha el Machine Learning o l’aprenentatge automàtic, que implica que els ordinadors poden captar les propietats essencials o les característiques clau de processos, fenòmens en què les relacions entre objectes són realment complexes. Això constitueix un procés d’aprenentatge sobre bons i mals exemples, que no té cap coneixement previ sobre els objectes ni coneix les lleis físiques que hi ha darrere.

Però l’aprenentatge automàtic, com que es tracta d’un procés d’optimització cega, es manté com una caixa negra: quan l’ordinador pren una decisió que es considera vàlida, no es coneix el perquè d’aquesta decisió i no una altra, de manera que la maquinària interna del mètode segueix sense quedar clara. Com a resultat, les prediccions de l’aprenentatge automàtic per a situacions crítiques són bastant arriscades i poc fiables, ja que poden generar resultats enganyosos.

En aquest treball realitzat pel grup d’investigadors format per Vladimir Baulin, del Departament d’Enginyeria Química de la URV, Marc Werner, del Leibniz Institute of Polymer Research (Dresden) i YachongGuo (Universitat de Nanjing, Xina) ha posat a prova les prediccions d’una xarxa neuronal per comprovar si coincideixen amb el resultat real, ja conegut. Per a això van escollir un exemple pràctic i ben definit: la xarxa neuronal havia de dissenyar una molècula de polímer que travessaria la membrana lipídica en un temps mínim. La membrana lipídica és una barrera natural que protegeix les cèl·lules del dany i de components externs. Per controlar la predicció de la xarxa neuronal, els investigadors van desenvolupar un mètode numèric inèdit que utilitza un sistema d’enumeració exhaustiva i completa totes les possibilitats de composició de polímer gràcies a la programació directa de les targetes gràfiques d’alt rendiment en càlculs paral·lels. “El processador tradicional d’un ordinador pot contenir un màxim de 12-24 nuclis per fer càlculs, però les targetes gràfiques estan dissenyades per fer càlculs paral·lels de píxels d’imatges i vídeos i tenen milers de nuclis de càlculs optimitzats per a càlculs paral·lels”, explica Vladimir Baulin. Aquesta enorme potència computacional permet generar milers de milions de combinacions de polímers tan sols en uns segons o minuts. D’aquesta manera es pot generar un mapa que contingui totes les combinacions possibles i, per tant, monitorar com la xarxa neuronal tria el resultat correcte.

“El que és sorprenent és que una xarxa mínima i tan simple com la xarxa neuronal sigui capaç de trobar correctament la composició d’una molècula”, destaca Baulin. “Això es deu probablement al fet que els sistemes físics obeeixen a les lleis de la natura, que tenen simetria intrínseca i autosimilitud, la qual cosa,de la seva banda, redueix dràsticament el nombre de possibles combinacions de paràmetres que després són capturats per les xarxes neuronals,” afegeix l’investigador.

Per tant, comparar el resultat de la xarxa neuronal amb el resultat exacte no només permet comprovar la predicció sinó que també pot demostrar com evolucionen les prediccions si es canvia la tasca, i d’aquesta manera mostrar com les xarxes neuronals prenen decisions i com “pensen”.

Referencia bibliogràfica: Werner, M.; Guo, Y.; Baulin, V. A. Neural Network Learns Physical Rules for Copolymer Translocation through Amphiphilic Barriers. Npj Comput. Mater.2020, 6 (1), 72. https://doi.org/10.1038/s41524-020-0318-5