Unos investigadores han desarrollado un tipo de red neural que aprende sobre la marcha al realizar su trabajo, no solamente durante su fase de entrenamiento. Estos algoritmos flexibles, denominados redes «líquidas», cambian sus ecuaciones subyacentes para adaptarse continuamente a nuevas entradas de datos. Este avance podría mejorar la toma de decisiones basada en flujos de datos que cambian sustancialmente con el paso del tiempo, como los relacionados con los diagnósticos médicos o los de la conducción autónoma de vehículos.
El nuevo sistema es obra del equipo internacional de Ramin Hasani, Daniela Rus y Alexander Amini, los tres del Instituto Tecnológico de Massachusetts (MIT), en Cambridge, Estados Unidos.
El procesamiento de vídeo, los datos financieros y las aplicaciones para diagnóstico médico son ejemplos de flujos de datos que resultan fundamentales para la sociedad. Las vicisitudes de estos flujos de datos en constante cambio pueden ser imprevisibles. Sin embargo, analizar estos datos en tiempo real y utilizarlos para anticipar el comportamiento futuro puede impulsar el desarrollo de tecnologías emergentes como la de los coches autoconducidos. Así que Hasani construyó un algoritmo adecuado para la tarea. Y diseñó una red neural que puede adaptarse a la amplia variabilidad de los flujos de datos del mundo real.
Las redes neurales son algoritmos que reconocen patrones mediante el análisis de un conjunto de ejemplos de «entrenamiento». Se suele decir que imitan las vías de procesamiento de un cerebro vivo. De hecho, Hasani se inspiró directamente en el gusano microscópico C. elegans. «Solo tiene 302 neuronas en su sistema nervioso, pero puede generar dinámicas de conducta inesperadamente complejas».
Hasani codificó su red neural prestando especial atención a cómo las neuronas del C. elegans se activan y comunican entre sí mediante impulsos eléctricos. En las ecuaciones que utilizó para estructurar su red neural, permitió que los parámetros cambiaran con el tiempo en función de los resultados de un conjunto anidado de ecuaciones diferenciales.
Esta flexibilidad es fundamental. El comportamiento de la mayoría de las redes neurales es fijo después de la fase de entrenamiento, lo que significa que tienen una pobre capacidad de adaptación a cambios importantes en el flujo de datos entrantes. En cambio, la fluidez de esta nueva red «líquida» la hace más resistente a los datos inesperados o “ruidosos”, como por ejemplo, si una fuerte lluvia oscurece la visión de una cámara en un coche autoconducido.
Fuente: NCYT de Amazings
