Unidad de Comunicación

“Por sus descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales”, fueron reconocidos con el Premio Nobel de Física 2024 los investigadores John J. Hopfield, de la Universidad de Princeton, en Nueva Jersey, Estados Unidos, y Geoffrey E. Hinton, de la Universidad de Toronto, en Canadá. Este año, los laureados con el máximo galardón a la física son los fundadores de las redes neuronales artificiales, un subdominio de la inteligencia artificial (AI, por sus siglas en inglés).

De acuerdo con la Real Academia Sueca de Ciencias, órgano que concede el Premio Nobel, la AI está inspirada en la estructura del cerebro, por lo que una red neuronal artificial está compuesta por neuronas o nodos interconectados unos con otros, representados con diferentes valores.

Cada vez que haya un intercambio de información entre los nodos, habrá una sinapsis tal y como sucede en el cerebro, y entonces la red neuronal se fortalecerá o debilitará o maximizará el aprendizaje de dicha red. Según explica la página oficial del Premio Nobel (PN), “una red neuronal artificial procesa información utilizando toda la estructura de la red”.

Aprendizaje cada vez más especializado

“Los galardonados de este año han realizado importantes trabajos con redes neuronales artificiales desde la década de 1980”, dice la Real Academia Sueca de Ciencias. John J. Hopfield ha desarrollado la “red Hopfield”, una metodología que le permite a la red neuronal aprender información escondida o codificada en los datos como si se tratara de imágenes que puede memorizar.

Tal y como sucede en el cerebro, el aprendizaje viene después de haber vivido varias experiencias, que en este caso son los datos introducidos en el sistema que se quiere entrenar. Así como una persona que ha aprendido a caminar con cuidado en un piso resbaloso a partir de una caída previa, por ejemplo, el sistema físico puede aprender y memorizar información para luego utilizarla a su favor al reconocer datos específicos.

“La red en su conjunto se describe de forma equivalente a la energía en el sistema de espín que se encuentra en la física, y se entrena encontrando valores para las conexiones entre los nodos de forma que las imágenes guardadas tengan una energía baja”, explica la Real Academia Sueca de Ciencias.

La propuesta de Hopfield utiliza la física estadística y los nodos como si fueran píxeles de una fotografía, de modo que es capaz de encontrar los estados de energía de los datos, y si el estado es bajo o la imagen está incompleta, la red puede reconstruirla a partir del ajuste de los nodos, actualizando el valor de cada uno de ellos.

“La red de Hopfield puede almacenar patrones y tiene un método para recrearlos. Cuando a la red se le da un patrón incompleto o ligeramente distorsionado, el método puede encontrar el patrón almacenado que es más similar”, explica el PN.

Geoffrey E. Hinton, por otro lado, utilizó la metodología de Hopfield como referencia para crear una red neuronal nueva con otra metodología a la que llamó máquina de Boltzmann. Lleva ese nombre, gracias a la ecuación propuesta en 1885 por Ludwing Boltzmann, con la que se puede calcular la probabilidad de que ocurran ciertos estados en los datos; esto depende de la cantidad de energía disponible según explica en PN.

El trabajo de Hinton, utiliza nodos visibles y ocultos, responsables de dicha energía, para encontrar los estados de energía de los nodos y con ello, encontrar patrones en el sistema entre los miles de datos similares. Esta metodología no aprende de las instrucciones, sino del entrenamiento con ejemplos y de la actualización de los valores de la red neuronal, aclara el PN.

“Si el mismo patrón se repite varias veces durante este entrenamiento, la probabilidad de este patrón es aún mayor. El entrenamiento también afecta la probabilidad de producir nuevos patrones que se asemejan a los ejemplos en los que se entrenó la máquina”, dice la página.

El Premio Nobel de Física de este año reconoce la labor de Hopfield y Geoffrey por haber sentado las bases de la revolución del aprendizaje automático. Hoy, la Inteligencia Artificial y el entrenamiento de redes neuronales artificiales a partir de datos han tomado relevancia en los últimos años por su aporte a las tecnologías en varios campos de la ciencia y la tecnología, desde la física hasta la medicina.

Crédito: Fabiola Pérez/Diseño