Las técnicas de Inteligencia Artificial (IA) y Machine Learning (ML) han supuesto un cambio paradigmático desde el punto de vista de la resolución de muchos tipos de problemas que se plantean en las Ciencias Naturales. En los algoritmos clásicos, el científico sabe qué hay que hacer, pues típicamente conoce las leyes que gobiernan el fenómeno estudiado (p.ej. las leyes de Newton), no obstante el ordenador es capaz de hacer “eso que sabe”, mucho más rápido.

El caso más sencillo de algoritmo clásico se da cuando conocemos la fórmula matemática que gobierna el fenómeno. Lo único que hay que hacer es introducirla en el ordenador y éste se encarga de realizar los cálculos. Otro ejemplo típico de trabajo computacional clásico es investigar un sistema (físico, biológico…) mediante cálculo numérico, resolviendo las ecuaciones diferenciales que rigen el comportamiento del mismo.

En la mayor parte de las técnicas de IA y ML juegan un papel fundamental los datos. Por ejemplo, las redes neuronales (RN) habitualmente utilizan en el proceso de aprendizaje datos de entrada (números manuscritos) para encontrar una transformación entre éstos y los resultados a la salida (el dígito correspondiente). En este tipo de técnicas conocemos las reglas que operan en el cuerpo de la IA, pero por lo general desconocemos las reglas de “transformación” de la entrada a la salida. Básicamente son cajas negras, que basan su utilidad en que son capaces de realizar las tareas para las cuales han sido entrenadas: clasificar, predecir y muchas más cosas que veremos en los vídeos de esta serie dedicada a la Inteligencia Artificial aplicada a las Ciencias.

Veremos en el vídeo una breve introducción a las RN y los distintos tipos de entrenamiento, supervisado y no-supervisado. En el supervisado, los algoritmos aprenden a partir de datos de entrenamiento previamente etiquetados. El no supervisado tiene la ventaja de que no necesita etiquetar previamente un conjunto de datos.

En el apartado de predicción, las capacidades de las técnicas de IA para realizar tal tarea se ilustran con dos ejemplos.

El primero se centra en el estudio de la transmisión de un electrón a través de un pozo de potencial. Un ejemplo clásico que muestra el efecto de tunneling, uno de los fenómenos más llamativos de la física cuántica.

El segundo ejemplo demuestra cómo las RN son una herramienta de cálculo eficiente para mejorar el diseño de estructuras previo a la fabricación. Concretamente, se describe mediante un caso en el área de la Nanofotónica. La Nanofotónica tiene como objetivo el control de la luz, entre las aplicaciones más importantes se encuentra el guiado de luz en dos dimensiones, con aplicaciones obvias en comunicación óptica a nivel de chip. En el vídeo se explica como una RN sencilla, permite encontrar la geometría adecuada de una estructura capaz de absorber la máxima cantidad de luz en el rango de telecomunicaciones. Una RN puede sustituir a los métodos numéricos clásicos, acelerando el cálculo, ya que estos últimos son típicamente lentos cuando se trata de sistemas complejos.