TecNoticias, tu portal de información

Puede usar ANN para visión artificial, pero ¿sabía que puede predecir el clima, rastrear el comportamiento de los animales y descubrir los secretos de la cosmología?

Las redes neuronales artificiales (ANN) encuentran patrones, relaciones y asociaciones en conjuntos de datos, de la misma manera que lo hacen los humanos. Los ANN son bloques de construcción importantes que ayudan a los científicos e investigadores a aprovechar las habilidades de la IA. Al igual que su nombre indica, las ANN se modelan a partir de las redes neuronales encontradas en el cerebro con el fin de dar a las máquinas la capacidad de aprender de forma similar a como lo hacen los humanos.

En el pasado, hemos discutido cómo las redes neuronales artificiales (ANN) pueden ser el eslabón perdido de la inteligencia artificial. Los ANN se están utilizando en aplicaciones bien conocidas, como la visión artificial para automóviles autónomos y la tecnología de diagnóstico médico, pero los ANN también se pueden utilizar en otros campos de investigación debido a su capacidad para encontrar patrones, relaciones y asociaciones en conjuntos de datos. .

La red neuronal biológica en la imagen superior sirve como modelo para una red neuronal artificial vista en la imagen inferior. Imagen utilizada por cortesía de Ying Nian Wu a través de UCLA.

En los últimos años, los científicos han utilizado el aprendizaje automático avanzado de ANN para obtener nuevos conocimientos sobre los campos que no puede asociar con la IA. Aquí hay un vistazo a cómo las ANN nos están ayudando a predecir el clima, proteger las poblaciones de aves vulnerables y comprender la materia oscura en el universo.

Redes neuronales convolucionales en meteorología

Las redes neuronales convolucionales (CNN) toman imágenes de entrada y asignan importancia a las diferentes características de la imagen, lo que permite que un modelo diferencie las imágenes. Una nueva aplicación de CNN ha aparecido en meteorología.

Los científicos han podido reconocer las tormentas de granizo mediante el uso de programas comparables al software de reconocimiento facial. Al igual que una computadora puede reconocer las características faciales para desbloquear un teléfono, los científicos han empleado características similares para reconocer cómo se ve una tormenta de granizo, que en última instancia sirve como alerta para las próximas tormentas.

El científico de aprendizaje automático David John Gagne del Centro Nacional de Investigación Atmosférica (NCAR) utilizó CNN para entrenar un modelo de aprendizaje profundo al mostrarle al modelo grandes cantidades de datos de tormentas. El modelo de Gagne puede identificar efectivamente "si una tormenta producirá granizo o no".

MistNet para rastrear la migración de aves

Otra aplicación de las redes neuronales de convolución es el seguimiento de patrones migratorios de millones de aves a través de registros de radar. Investigadores de la Universidad de Massachusetts Amherst y el Laboratorio de Ornitología de Cornell desarrollaron una herramienta de aprendizaje automático llamada MistNet, que utiliza CNN profundos para distinguir la lluvia de las aves en escaneos de radar.

Debido a que MistNet está completamente automatizado y puede usarse para interpretar grandes cantidades de datos de escaneos de radar, puede ser útil para aplicaciones como el mapeo a escala de continentes y el análisis del uso del espacio aéreo.

Tráfico de migración acumulativa de EE. UU. De 1999 a 2018. Imagen utilizada por cortesía de los autores y Kyle G. Horton.

MistNet puede revelar cambios en los climas, hábitats y patrones de migración, lo que a su vez ayuda a los ecologistas a identificar las horas pico de movimiento. En consecuencia, estos datos pueden usarse para identificar cuándo las aves están migrando activamente y permitir a los conservacionistas publicitar métodos para hacer que las rutas de migración sean más seguras para las bandadas.

Tanto el modelo MistNet como el código fuente están disponibles en GitHub.

Medición de materia oscura

La materia oscura une al universo; pero saber y medir cuánto existe puede ser un desafío ya que no podemos verlo físicamente. Sin embargo, toda la materia (incluida la materia oscura) se puede detectar a través de lentes gravitacionales porque la materia dobla ligeramente el camino de los rayos de luz que llegan a la Tierra desde otras galaxias, creando imágenes distorsionadas.

Luego, los cosmólogos comparan los mapas de las imágenes distorsionadas con las predicciones teóricas para encontrar qué modelo coincide mejor con los datos. Este análisis de datos se logró previamente mediante funciones de correlación (un análisis estadístico hecho por el hombre), que describen cómo se relacionan las diferentes partes del mapa.

Este año, un equipo de físicos e informáticos en ETH Zurich está racionalizando el proceso de mapeo mediante el entrenamiento de redes neuronales con datos generados por computadora que simulan el universo. La red neuronal se enseñó a sí misma a buscar características específicas de la materia oscura y aprender parámetros cosmológicos, mejorando esencialmente su capacidad para localizar la materia oscura.

Una parte de un mapa de CG de materia oscura que los investigadores de ETH Zurich usaron para entrenar su red neuronal. Imagen utilizada por cortesía de ETH Zurich

Al evaluar el rendimiento de la red neuronal, el equipo de ETH Zurich descubrió que los valores de la red eran un 30% más precisos que cuando usaban análisis estadísticos.

¿Cómo están los ANN cambiando la forma en que trabajan los ingenieros?

Los investigadores están buscando nuevas formas de usar los ANN dentro de la ingeniería eléctrica: en la predicción del comportamiento de los circuitos electrónicos, en los sistemas de energía y en las imágenes médicas. Si bien los ANN pueden ayudar a resolver problemas complejos de manera más eficiente y producir un mejor rendimiento, no todos los problemas lo requieren.

Existen varias limitaciones a las redes neuronales que merecen consideración. Los ANN tienden a requerir más datos, tiempo y potencia computacional para entrenar que un algoritmo de aprendizaje automático tradicional. Al utilizar redes neuronales profundas (DNN), los usuarios pueden tener dificultades para comprender por qué reciben un resultado determinado, esto debido a la complejidad de los modelos con cientos de miles de factores.

Aunque existen muchas ventajas de las redes neuronales, la principal es que pueden superar los algoritmos tradicionales de aprendizaje automático y, en muchos casos, los humanos, no todos los problemas que un ingeniero encuentra requieren una red neuronal. Las soluciones simples y tradicionales siguen siendo valiosas y pueden ahorrar tiempo y potencia computacional.

Si bien muchos investigadores implementan ANN directamente a través del software, también es posible diseñar redes neuronales de hardware (HNN) sin usar software. Ha habido un progreso significativo e interés en las redes neuronales de hardware en las últimas dos décadas. ANN o HNN, los ingenieros eléctricos desempeñarán un papel en su desarrollo y aplicación para resolver los problemas apropiados.

---

¿Los ANN han impactado tu trabajo? Cuéntanos cómo en los comentarios a continuación.

Imagen destacada utilizada por cortesía de Colin M.L. Burnett [CC BY-SA 3.0].