Investigadores chinos logran un avance en la creación de «científicos de IA reales»

Recientemente, investigadores chinos de la Universidad de Pekín y el Instituto de Tecnología Oriental (EIT) han presentado un marco innovador diseñado para entrenar modelos de aprendizaje automático con conocimiento previo, una desviación del enfoque convencional basado solo en datos. Los investigadores destacan el impacto transformador de los modelos de aprendizaje profundo en la investigación científica, enfatizando su capacidad para extraer relaciones significativas de grandes conjuntos de datos. El marco aborda las limitaciones de los modelos existentes, como Sora de OpenAI, que lucha por simular ciertas interacciones del mundo real con precisión debido a la falta de comprensión de las leyes físicas como la gravedad.

Los modelos de aprendizaje profundo, conocidos por revolucionar la investigación científica, dependen principalmente de datos extensos para el entrenamiento en lugar de incorporar conocimiento previo como leyes físicas o lógica matemática. Sin embargo, investigadores de la Universidad de Pekín y el Instituto de Tecnología Oriental proponen un cambio de paradigma. El equipo sugiere que combinar datos con conocimiento previo durante el entrenamiento podría resultar en modelos de aprendizaje automático más precisos e informados.

El desafío radica en determinar qué aspectos del conocimiento previo, incluidas las relaciones funcionales, ecuaciones y lógica, deben integrarse para facilitar un mejor aprendizaje previo sin causar el colapso del modelo. El profesor Chen Yuntian enfatiza que inundar los modelos con un alto volumen de conocimiento y reglas a menudo lleva a luchas o fracasos en los modelos actuales de aprendizaje automático informado.

Un marco para evaluar la importancia de las reglas

Para superar este desafío, los investigadores desarrollaron un marco que evalúa el valor de las reglas y determina las combinaciones óptimas que mejoran la capacidad predictiva de los modelos de aprendizaje profundo. Xu Hao, el primer autor e investigador en la Universidad de Pekín, explica que su marco calcula la «importancia de la regla» analizando cómo reglas específicas o combinaciones afectan la precisión predictiva de un modelo.

Este enfoque tiene como objetivo equilibrar la influencia de los datos y el conocimiento, mejorando la eficiencia y las capacidades de inferencia de los modelos de aprendizaje profundo. El equipo prevé que incrustar el conocimiento humano en los modelos de IA podría mejorar significativamente su reflejo del mundo real, haciéndolos más aplicables en dominios científicos e ingenieriles.

Los investigadores probaron su marco optimizando un modelo para resolver ecuaciones multivariadas y otro para predecir los resultados de un experimento de química. Chen sugiere que, a corto plazo, este marco encontrará sus aplicaciones más útiles en modelos científicos donde la consistencia con las reglas de física es vital para evitar posibles consecuencias adversas.

A pesar de los resultados prometedores, el equipo reconoce un desafío. A medida que se agregan más datos a un modelo, las reglas generales se vuelven más significativas que las reglas locales específicas. Sin embargo, esta observación no proporciona beneficios significativos en campos como la biología y la química, donde las reglas generales a menudo faltan.

Hacia científicos de IA autónomos

Mirando hacia el futuro, el equipo de investigación aspira a llevar su marco un paso más allá, permitiendo que la IA identifique su propio conocimiento y reglas directamente de los datos sin intervención humana. El objetivo final es crear un ciclo cerrado, transformando el modelo en un verdadero científico de IA. Chen visualiza este desarrollo como un paso significativo hacia la autonomía en la IA, y el equipo está trabajando activamente en una herramienta de plugin de código abierto para desarrolladores de IA para facilitar esta transición.