Un grupo de científicos del Skoltech -el estudiante de doctorado Egor Nuzhin, el profesor adjunto Maxim Panov y el profesor Nikolay Brilliantov- aplicó métodos de inteligencia artificial para explicar un enigmático fenómeno natural: los remolinos de animales. Aunque la IA ya ha demostrado su excelente rendimiento en una amplia gama de problemas aplicados y entornos de ingeniería, el nuevo estudio publicado en Scientific Reports demuestra otra faceta de la IA: su capacidad para resolver problemas fundamentales, en este caso, comprender el comportamiento colectivo de los seres vivos.
Los remolinos se observan en grandes grupos de animales en diferentes etapas evolutivas, desde peces hasta insectos: las criaturas se mueven coherentemente alrededor del centro común de un grupo. La función biológica de este extraño comportamiento ha desconcertado durante mucho tiempo a los biólogos evolutivos y a los científicos de sistemas.
El enfoque convencional para explicar el remolino supone fuerzas artificiales que actúan entre los animales, que se mueven juntos sujetos a estas fuerzas. En contraste con esto, los investigadores de Skoltech propusieron un modelo centrado en el objetivo. Está formulado en términos de aprendizaje por refuerzo, una poderosa herramienta de la IA.
Basándose en reglas sencillas y restricciones naturales, las bestias de las simulaciones aprendieron, por ensayo y error, a lograr el objetivo de moverse juntas. En concreto, se esforzaron por mantener ciertas distancias entre sí y con el centro de la manada. Sorprendentemente, esto dio lugar a remolinos espontáneos. Y lo que es más sorprendente, los remolinos resultaron ser esenciales para la supervivencia: ayudaban a los animales a resistir fuerzas externas peligrosas, como el viento o las corrientes submarinas. Un grupo entrenado para hacer remolinos podía resistirlos cientos de veces más eficazmente que uno no entrenado.
Otra aplicación interesante de la IA en este contexto es la agrupación de animales. Las aves migran en bandadas, los peces se reúnen en bancos, los lobos cazan en manadas, etc. Moverse juntos, con una localización mutua óptima, podría ser muy beneficioso, ya que conduce al movimiento con un esfuerzo mínimo. Aplicando el mismo enfoque centrado en el objetivo, junto con el aprendizaje por refuerzo, el equipo demostró que los animales eran capaces de encontrar los patrones de locomoción más eficientes. Éstos eran la disposición lineal para un grupo de dos, los triángulos para un grupo de tres y el rombo para un grupo de cuatro. Estos y otros patrones, a veces inesperados para grupos más grandes, fueron encontrados por otro método independiente, que valida adicionalmente el enfoque basado en RL.
“Consciente de que todo está construido con bloques elementales de matemáticas, no deja de sorprenderme el poder de los métodos de IA”, concluyó el profesor Brilliantov.
[content-egg module=Youtube template=custom/simple]Lo más visto del mes en: Informática
Laura Andrade
Laura Andrade es una periodista freelance especializada en la investigación de la electrónica de consumo, especialmente de smartphones, tabletas y ordenadores. Actualmente participa en varios proyectos en los que se ha encargado de escribir sobre lanzamientos de nuevos productos digitales, aplicaciones, sitios y servicios para publicaciones impresas o en línea. Está constantemente estudiando las últimas tecnologías para estar siempre al día.
