General

La inteligencia artificial para resolver laberintos se enseña a tomar atajos

La inteligencia artificial para resolver laberintos se enseña a tomar atajos



We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

La mayoría de los seres humanos buscan naturalmente la ruta más corta entre dos puntos. Ahorra tiempo, energía y, a menudo, dolores de cabeza encontrar el camino más rápido y eficiente desde el punto A al punto B. Sin embargo, esa habilidad ya no es específica de las criaturas vivientes. Un equipo de ingenieros desarrolló un programa de inteligencia artificial que aprendió a buscar atajos a través de un complicado laberinto.

Si bien los ingenieros sentaron las bases para la búsqueda de atajos por parte de la IA, el programa se enseñó a sí mismo de manera efectiva, desarrollando estructuras y métodos similares a cómo los humanos desarrollan atajos en su propia resolución de problemas.

El estudio fue publicado en la edición más reciente de la revista Nature y proviene de investigadores adscritos al grupo DeepMind. Ese nombre debería sonar familiar para aquellos que son fanáticos de la inteligencia artificial. DeepMind es la empresa británica de inteligencia artificial responsable de AlphaGo, el sistema informático autodidacta que ha superado a algunos de los mejores jugadores de Go del mundo.

Este estudio en particular significa un poco más para la IA que sobresalir en un juego. Los investigadores de DeepMind descubrieron que cuando entrenaron a la IA para moverse a través de un laberinto, espontáneamente estimuló una actividad eléctrica similar a la que se encuentra en el cerebro humano. En los humanos, esta actividad tiene lugar en lo que se denominan "celdas de rejilla". (La identificación de esas células llevó a un Premio Nobel hace varios años). Este avance podría conducir a un potencial creciente para que los sistemas de IA actúen de manera considerablemente más "humana".

“Se trata de hacer el tipo de cosas que hacen los animales y es tomar rutas directas siempre que sea posible y atajos cuando estén disponibles”, dijo Dharshan Kumaran, investigador principal de DeepMind. "Con las celdas de la cuadrícula, su rendimiento se mejora notablemente hasta el punto de que supera a un jugador humano experto".

El neurocientífico de la Universidad Johns Hopkins, Francesco Savelli, explicó más sobre el "cerebro" de la IA y su arquitectura. Savelli no participó en este artículo en particular, pero tiene un amplio conocimiento de los sistemas de IA. Esos sistemas no tienen lo que se necesita para emular la diversidad de neuronas reales, dijo Savelli a Phys.org en una entrevista.

"Se cree que la mayor parte del aprendizaje ocurre con el fortalecimiento y el debilitamiento de estas sinapsis", dijo Savelli en una entrevista, hablando de las conexiones entre las neuronas. "Y eso también es cierto para estos sistemas de IA, pero exactamente cómo se hace y las reglas que gobiernan ese tipo de aprendizaje, pueden ser muy diferentes en el cerebro y en estos sistemas".

Los seres humanos (y la mayoría de los otros animales) no tienen problemas para moverse gracias a las celdas de la cuadrícula. Esas células le dicen al cuerpo exactamente dónde está y hacia dónde se dirige. Los investigadores de DeepMind se preguntaron si podrían desarrollar una IA que pudiera replicar ese proceso. Utilizaron ratas que buscaban comida en un laberinto para entrenar la red de la IA. El equipo incluso proporcionó datos del sistema sobre cómo se movía la rata y qué tan rápido se movía, además de toda la información direccional sobre sus caminos.

El equipo notó que el roedor simulado controlado por la IA desarrolló esas actividades similares a celdas de cuadrícula, a pesar de que nunca incluyó celdas de cuadrícula en el entrenamiento del programa.

"La aparición de unidades en forma de cuadrícula es un ejemplo impresionante de aprendizaje profundo que hace lo que mejor hace: inventar una representación interna original, a menudo impredecible, para ayudar a resolver una tarea", dijeron Savelli y su colega investigador James Knierim en un comentario sobre el artículo de DeepMind. .


Ver el vídeo: Algoritmo para resolver laberintos MOUSE IN A MAZE implementado graficamente en processing 0 (Agosto 2022).