Si pateamos un balón de fútbol, tendremos una idea de su trayectoria. Por ejemplo, seremos capaces de anticipar que el balón avanza girando en la dirección a la que fue empujada e incluso dónde puede terminar después de chocar contra un obstáculo.
Milenios de interacción con las fuerzas de la naturaleza como la gravedad y otras leyes de la física, así como la evolución de nuestro cerebro a través de millones de años, han hecho de los seres humanos una especie con gran capacidad de predicción y de interferencia de relaciones causales. Si pateamos el balón, sabremos que avanzará y si congeláramos el tiempo, podríamos saber donde terminará al avanzar el espacio tiempo cuadro a cuadro como en un vídeo a cámara lenta.
Pero aunque no lo creamos, incluso las máquinas inteligentes que se rigen por complejos algoritmos encontrarían esta tarea un tanto difícil. Si bien las IA son eficientes a la hora de relacionar patrones, pueden no serlo a la hora de predecir un evento que se ha derivado de una cadena de pasos al futuro. Para una IA, predecir que un balón de fútbol avanza hacia atrás en lugar de hacia delante no tiene sentido.
Con el fin de mejorar de mejorar el razonamiento causal de las IA, los investigadores del Imperial College en Londres pensaron más allá de los libros y se inspiraron en la teoría de la relatividad de Einstein. Y ¿Cuál es la conexión?
Una de las consecuencias de la relatividad especial de Einstein es que nada puede viajar más rápido que la luz. Pero esto también significa que hay fronteras de causa y efecto en el espacio-tiempo y que pueden ser descritas matemáticamente. Las estructuras matemáticas resultantes se conocen como conos de luz.
El espacio-tiempo se forma al tomar fotos instantáneas del espacio en instantes sucesivos del tiempo y luego apilarlos, pensemos, por ejemplo, en una película en la que cada fotograma representa una instancia de tiempo.
Para tener la idea de cómo funcionan los conos de luz, imaginemos una explosión de TNT. La luz se propagará fuera del TNT en una nube esférica. En un espacio bidimensional, se verá como un círculo en expansión, cuyo radio no se puede expandir más que la distancia recorrida por la luz en una línea de tiempo dada.
Si apilamos estas instantáneas espaciales, terminamos con un diagrama de espacio-tiempo que corresponde a un cono, donde el extremo puntiagudo corresponde al origen de un evento y los círculos subsiguientes en constante expansión representan eventos causales. Los conos de luz generalmente se representan como una figura de reloj de arena, con el cono inferior representando el espacio-tiempo al revés: si seguimos los círculos, podemos obtener información sobre posibles pasados que podrían haber sido desencadenados por el evento original.
Para predecir eventos, como el siguiente fotograma de una película, las IA suelen recibir millones de clips que permiten que el algoritmo genere nuevos fotogramas similares a los anteriores y, en última instancia, elija el que mejor se adapte al contexto. Eso funciona lo suficientemente bien para algunas aplicaciones como las extremidades biónicas desarrolladas por gente como Tej Kohli o Open Bionics, pero siempre hay espacio para la improvisación.
Inspirándose en los conos de luz, los investigadores dirigidos por Athanasios Vlontzos en el Imperial College de Londres utilizaron dos conjuntos de datos, uno que constaba de dígitos escritos a mano y el otro mostraba a personas caminando y agitando los brazos en una serie de tiempo, para generar cuadros similares a los del conjunto de datos.
Lo que distingue a este enfoque de otros algoritmos es que los fotogramas de los conjuntos de datos no se muestran en secuencia. En cambio, la IA agrupó los fotogramas por similitud y luego utilizó el algoritmo de cono de luz para trazar un límite.
Aunque este algoritmo no fue entrenado para completar los espacios en blanco en la secuencia, hizo un buen trabajo al predecir qué fotogramas venían a continuación.
“Utilizamos el concepto de cono de luz de la relatividad especial para restringir y atravesar el espacio latente de un modelo arbitrario. Demostramos aplicaciones exitosas en la síntesis de imágenes causales y la predicción de cuadros de video futuros en un conjunto de datos de imágenes. Nuestro marco es independiente de la arquitectura y la tarea y viene con fuertes garantías teóricas de capacidades causales ”, escribieron los investigadores.
Las IA que pueden predecir eventos causales como los humanos serían muy deseables para varias aplicaciones. Los automóviles autónomos serían más precisos para predecir el movimiento de un ciclista u otros vehículos en la carretera, reduciendo así los accidentes relacionados con el tráfico, lo mismo ocurre con los robots industriales que interactúan con trabajadores humanos en la línea de montaje. En medicina, los algoritmos causales serían más sensatos a la hora de recomendar tratamientos que deben seguir su curso paso a paso.
El algoritmo de cono de luz se describió en un estudio publicado en el servidor de alojamiento de preinformes arXiv.
Fuente: ZME Science.
