La IA de Copérnico ‘descubre’ que la Tierra orbita alrededor del Sol

Los astrónomos tardaron siglos en darse cuenta. Pero ahora, un algoritmo de aprendizaje automático inspirado en el cerebro ha resuelto que debe situar al Sol en el centro del Sistema Solar, basándose en cómo aparecen los movimientos del Sol y Marte desde la Tierra. Esta hazaña es una de las primeras pruebas de una técnica que los investigadores esperan poder utilizar para descubrir nuevas leyes de la física, y tal vez para reformular la mecánica cuántica, mediante la búsqueda de patrones en grandes conjuntos de datos. Los resultados se publicarán en Physical Review Letters1.

El físico Renato Renner, del Instituto Federal Suizo de Tecnología (ETH) de Zúrich, y sus colaboradores querían diseñar un algoritmo que pudiera destilar grandes conjuntos de datos en unas pocas fórmulas básicas, imitando la forma en que los físicos llegan a ecuaciones concisas como E = mc2. Para ello, los investigadores tuvieron que diseñar un nuevo tipo de red neuronal, un sistema de aprendizaje automático inspirado en la estructura del cerebro.

Las redes neuronales convencionales aprenden a reconocer objetos -como imágenes o sonidos- entrenándose con enormes conjuntos de datos. Descubren características generales: por ejemplo, «cuatro patas» y «orejas puntiagudas» pueden servir para identificar a los gatos. Luego codifican esas características en «nodos» matemáticos, el equivalente artificial de las neuronas. Pero en lugar de destilar esa información en unas pocas reglas fácilmente interpretables, como hacen los físicos, las redes neuronales son una especie de caja negra, que reparte sus conocimientos adquiridos entre miles o incluso millones de nodos de forma impredecible y difícil de interpretar.

Así que el equipo de Renner diseñó una especie de red neuronal «lobotomizada»: dos subredes que estaban conectadas entre sí a través de sólo un puñado de enlaces. La primera subred aprendería de los datos, como en una red neuronal típica, y la segunda utilizaría esa «experiencia» para hacer y probar nuevas predicciones. Como había pocos enlaces entre las dos partes, la primera red se veía obligada a pasar la información a la otra en un formato condensado. Renner lo compara con la forma en que un asesor podría transmitir sus conocimientos adquiridos a un estudiante.

Posicionamiento del planeta

Una de las primeras pruebas fue dar a la red datos simulados sobre los movimientos de Marte y el Sol en el cielo, vistos desde la Tierra. Desde este punto de vista, la órbita de Marte con respecto al Sol parece errática, por ejemplo, periódicamente se vuelve «retrógrada», invirtiendo su curso. Durante siglos, los astrónomos pensaron que la Tierra estaba en el centro del Universo, y explicaron el movimiento de Marte sugiriendo que los planetas se movían en pequeños círculos, llamados epiciclos, en la esfera celeste. Pero en el año 1500, Nicolás Copérnico descubrió que los movimientos podían predecirse con un sistema de fórmulas mucho más sencillo si tanto la Tierra como los planetas orbitaban alrededor del Sol.

La red neuronal del equipo dio con fórmulas al estilo de Copérnico para la trayectoria de Marte, redescubriendo «uno de los cambios de paradigma más importantes de la historia de la ciencia», afirma Mario Krenn, físico de la Universidad de Toronto (Canadá) que trabaja en la aplicación de la inteligencia artificial al descubrimiento científico.

Renner subraya que, aunque el algoritmo derivó las fórmulas, se necesita un ojo humano para interpretar las ecuaciones y entender cómo se relacionan con el movimiento de los planetas alrededor del Sol.

Este trabajo es importante porque es capaz de singularizar los parámetros cruciales que describen un sistema físico, dice el robotista Hod Lipson, de la Universidad de Columbia en Nueva York. «Creo que este tipo de técnicas son nuestra única esperanza para comprender y seguir el ritmo de fenómenos cada vez más complejos, en la física y fuera de ella», afirma.

Renner y su equipo quieren desarrollar tecnologías de aprendizaje automático que puedan ayudar a los físicos a resolver las aparentes contradicciones de la mecánica cuántica. La teoría parece producir predicciones contradictorias sobre el resultado de un experimento y la forma en que lo ve un observador sometido a sus leyes2.

«Es posible que la forma actual de formularla sea en cierto modo sólo un artefacto histórico», dice Renner. Añade que un ordenador podría llegar a una formulación libre de esas contradicciones, pero las últimas técnicas del equipo aún no son lo suficientemente sofisticadas como para hacerlo. Para avanzar hacia ese objetivo, él y sus colaboradores están tratando de desarrollar una versión de su red neuronal que no sólo pueda aprender de los datos experimentales, sino también proponer experimentos totalmente nuevos para poner a prueba sus hipótesis.