Investigadores imitan estrategias de babosas de mar en material cuántico

Los investigadores de la Universidad de Purdue han descubierto que un material puede imitar las características de inteligencia más esenciales de una babosa de mar. Esto podría ayudarles a construir hardware que haría que la inteligencia artificial (IA) sea más eficiente y confiable, lo que podría impactar muchos campos como vehículos autónomos, robots quirúrgicos y algoritmos de redes sociales.

El estudio se publicó en Proceedings of la Academia Nacional de Ciencias. Fue liderado por un equipo de investigadores de la Universidad de Purdue, la Universidad de Georgia, la Universidad de Rutgers y el Laboratorio Nacional Argonne.

Shriram Ramanathan es profesor de ingeniería de materiales de Purdue.

“Al estudiar babosas de mar, los neurocientíficos descubrieron las características de la inteligencia que son fundamentales para la supervivencia de cualquier organismo”, dijo Ramanathan. “Queremos aprovechar esa inteligencia madura en animales para acelerar el desarrollo de la IA”.

Aprendiendo de las babosas de mar

Los neurocientíficos han aprendido dos señales de inteligencia principales de las babosas de mar: habituación y sensibilización. La habituación se produce cuando algo o alguien se acostumbra a un estímulo con el tiempo, mientras que la sensibilización es cuando algo o alguien reacciona con fuerza a un estímulo nuevo.

Uno de los principales problemas con la IA es el “dilema de estabilidad-plasticidad”, que se produce cuando la IA tiene problemas para aprender y almacenar nueva información sin sobrescribir la información existente. Con la habituación, la IA podría “olvidar” la información no necesaria para ser más estable. Al mismo tiempo, la sensibilización podría ayudarla a retener nueva e importante información, lo que permite la plasticidad.

Demostrando las estrategias en óxido de níquel

Los investigadores pudieron demostrar tanto la habituación como la sensibilización en óxido de níquel, que es un material cuántico debido a sus propiedades que no pueden explicarse por la física clásica. Si un material cuántico pudiera utilizar con éxito estas formas de aprendizaje, podría ser posible construir la IA directamente en el hardware. La IA podría realizar tareas más complejas mientras utiliza menos energía si pudiera operar a través de hardware y software.

“Básicamente, emulamos experimentos realizados en babosas de mar en materiales cuánticos para entender cómo estos materiales pueden ser de interés para la IA”, dijo Ramanathan.

Las babosas de mar demuestran habituación cuando dejan de retirar sus branquias tanto, lo que es una respuesta a ser atrapadas en el sifón. Un choque eléctrico en la cola de una babosa de mar hace que las branquias se retiren de manera más dramática, lo que es sensibilización.

Para reproducir esto en óxido de níquel, debe haber un aumento en el cambio de resistencia eléctrica. Al exponer el material repetidamente al gas de hidrógeno, el cambio de resistencia eléctrica del óxido de níquel disminuye con el tiempo. Sin embargo, cuando se introduce un nuevo estímulo como el ozono, el cambio de resistencia eléctrica aumenta significativamente.

El grupo de investigación tomó en cuenta estos hallazgos, y un equipo liderado por Kaushik Roy, profesor distinguido de ingeniería eléctrica y computacional de Purdue, modeló el comportamiento del óxido de níquel. Construyeron un algoritmo que podría utilizar las estrategias de habituación y sensibilización para categorizar puntos de datos en clusters.

“El dilema de estabilidad-plasticidad no se resuelve en absoluto. Pero hemos mostrado una forma de abordarlo basada en el comportamiento que hemos observado en un material cuántico”, dijo Roy. “Si pudiéramos convertir un material que aprende de esta manera en hardware en el futuro, entonces la IA podría realizar tareas de manera mucho más eficiente”.

Para que esto sea útil y práctico, los investigadores deben descubrir cómo aplicar estas estrategias en sistemas a gran escala, así como determinar cómo un material podría responder a estímulos mientras se integra en un chip de computadora.