Simuladores de inteligencia artificial: las bolas de cristal de próxima generación

El aprendizaje profundo está impulsando nuevas formas de simular el mundo, lo que debería tener un impacto espectacular en todo, desde los pronósticos meteorológicos hasta el diseño de fármacos.

El año pasado, un grupo de matemáticos e informáticos encontró una manera de resolver el problema de los tres cuerpos unas 100 millones de veces más rápido que nadie antes . El truco, dijeron, era dejar que la inteligencia artificial se lanzara al desafío. Simplemente aprendió qué hacer al ver una computadora convencional resolver el problema muchas veces.

Otros grupos también han comenzado a utilizar técnicas inspiradas en la inteligencia artificial para simular el universo con resultados impresionantes. Y eso plantea una pregunta interesante: ¿Qué tan buenas pueden llegar a ser las simulaciones impulsadas por IA?

Ahora, Ian Foster de la Universidad de Chicago y un par de colegas han trazado el futuro de la simulación impulsada por IA en un documento técnico para la Asociación de Investigación en Computación con sede en Washington DC. Argumentan que las simulaciones impulsadas por IA tienen un impacto dramático en la forma en que predecimos el futuro, casi como tener un nuevo tipo de bola de cristal.

“La nueva oportunidad que se presenta a través de los simuladores impulsados ​​por IA es aprender de los datos, acelerar la simulación a través de la predicción y aumentar la simulación basada en la física con modelos predictivos de fenómenos sociales y económicos”, dicen.

Sistemas complejos

Los investigadores identifican tres áreas en las que las simulaciones impulsadas por IA podrían tener un impacto significativo. El primero consiste en predecir el comportamiento de sistemas complejos no lineales como tres sistemas corporales.

Esto es completamente diferente al comportamiento de un problema de dos cuerpos, como un solo planeta orbitando una estrella. Esto es simple de modelar porque en cada momento, el movimiento del primer cuerpo depende de su estado actual y de la atracción gravitacional del segundo cuerpo.

Pero agregue un tercer cuerpo a la mezcla y el problema de repente se vuelve más complejo. Ahora, el movimiento de cada cuerpo está influenciado por el movimiento de todos los demás cuerpos, que a su vez están influenciados entre sí y así sucesivamente. Este comportamiento de madriguera de conejo se vuelve rápidamente caótico.

Sin embargo, en muchas circunstancias, los sistemas de inteligencia artificial pueden aprender cómo evoluciona el movimiento en lugar de calcularlo numéricamente por fuerza bruta.

Ejemplos de sistemas complejos que podrían beneficiarse son el pronóstico del clima, la predicción del patrón de réplicas después de un terremoto, la gestión del flujo de tráfico, etc.

Una segunda área que se beneficiará son los sistemas determinados por el comportamiento humano, como las economías, los mercados de valores y las multitudes. Se trata de sistemas en los que muchos agentes individuales actúan de forma independiente o conjunta, según el entorno en el que se encuentren.

Los modelos “de abajo hacia arriba” como estos son computacionalmente difíciles debido a su gran escala: una economía, por ejemplo, puede estar formada por millones de personas que pueden actuar de manera lógica pero también de formas irracionales y difíciles de predecir. “Un desafío es que estas reglas que guían el comportamiento son ad hoc y, al mismo tiempo, hacen que los resultados de la simulación sean difíciles de interpretar”, dicen Foster y compañía.

Sin embargo, los sistemas de inteligencia artificial pueden ayudar porque pueden aprender los resultados generales en ciertas situaciones en lugar de tener que simular el comportamiento de cada agente. «De manera análoga a los avances dramáticos en el modelado del lenguaje humano, ¿puede haber avances dramáticos en el modelado del comportamiento humano?» pregúntele a Foster y compañía.

La última área que destacan los investigadores es la optimización de la toma de decisiones. Foster y sus colegas señalan el éxito que los investigadores de Deepmind de Google han tenido al vencer a los humanos en juegos como Chess, Go y Star Craft. En cada caso, el sistema de IA ha aprendido a tomar mejores decisiones que los humanos al jugar los juegos repetidamente consigo mismo.

La clave del éxito está en capturar el juego en un modelo con el que el sistema de IA pueda interactuar. Eso es sencillo para juegos de mesa o videojuegos, pero es difícil en situaciones del mundo real.

«¿Son los modelos lo suficientemente precisos como para que el RL pueda usarse para tomar decisiones sobre qué experimentos costosos del mundo real ejecutar a continuación, por ejemplo, qué medicamentos sintetizar y probar, qué nuevos materiales sintetizar y estudiar?» pregunte a los investigadores.

Diseño de fármacos

De hecho, Deepmind anunció recientemente que había utilizado IA para resolver el problema del mundo real de predecir la forma en la que se formará una cadena de aminoácidos: el llamado problema de plegamiento de proteínas. No es difícil ver cómo un enfoque similar podría ayudar en el diseño de nuevas moléculas de fármacos.

Google también ha utilizado el enfoque de inteligencia artificial de Deepmind para optimizar la forma en que enfría sus centros de datos, reduciendo así sus facturas de enfriamiento en un 40 por ciento. Los problemas de optimización más complejos incluyen encontrar la mejor manera de fabricar nuevos materiales y productos u optimizar las políticas fiscales para lograr ciertos objetivos económicos. La IA puede intervenir en estos procesos en un futuro no muy lejano.

Quizás los mayores avances se logren combinando técnicas impulsadas por IA con simulaciones numéricas convencionales. La IA no siempre es buena para simular situaciones que no ha visto antes. Por lo tanto, una forma de avanzar será dividir las simulaciones en regiones donde la IA pueda funcionar mejor y dejar que el número de fuerza bruta se procese en los momentos específicos en que más se necesita.

Por ejemplo, el problema de los tres cuerpos es sencillo para la IA cuando los cuerpos están muy separados, pero puede volverse complicado cuando se acercan entre sí de cerca. Por lo tanto, un simulador avanzado podría reservar el procesamiento de números más poderoso solo para estas partes del modelo.

Independientemente de la forma en que se implemente, la IA tendrá un gran impacto en las simulaciones. Como lo expresaron Foster y sus colegas: «Las simulaciones de inteligencia artificial impulsadas por conjuntos de datos a gran escala y adecuadamente seleccionados tienen un potencial significativo para desbloquear y acelerar la innovación en áreas clave de la ciencia y la tecnología, y en toda la sociedad en general».

E instan a una mayor inversión e investigación en estas áreas. Cuando se trata de este nuevo y más poderoso tipo de bola de cristal, el problema de los tres cuerpos es solo el comienzo.