Los automóviles que pueden conducir de forma autónoma han aparecido recientemente en los titulares. En el futuro cercano, las máquinas que pueden aprender de forma autónoma estarán cada vez más presentes en nuestras vidas. El secreto para el aprendizaje eficiente de estas máquinas es definir un proceso iterativo para mapear la evolución decómo los aspectos clave de estos sistemas cambian con el tiempo. En un estudio publicado en EPJ B Agustín Bilen y Pablo Kaluza de la Universidad Nacional de Cuyo, Mendoza, Argentina muestran que estos sistemas inteligentes pueden evolucionar de manera autónoma para realizar una tarea específica y bien definida a lo largo del tiempo. Las aplicaciones van desde la nanotecnología hasta los sistemas biológicos, como la transducción de señales biológicasredes, redes reguladoras genéticas con respuestas adaptativas o redes genéticas en las que el nivel de expresión de ciertos genes en una red oscila de un estado a otro.
Estos sistemas autónomos no necesitan un tutor externo. Tampoco informan a una unidad central diseñada para modificar lo que el sistema debe aprender en función de su rendimiento. Para aumentar su autonomía, los autores han incorporado dinámicas retardadas y un circuito de retroalimentación conel rendimiento del sistema. La dinámica retardada proporciona información sobre el historial del sistema, presentando así las relaciones pasadas entre su estructura y rendimiento. A su vez, el ciclo de retroalimentación ofrece información sobre el rendimiento real del sistema en términos de cuán cerca está del deseadotarea.
Los investigadores primero aplicaron con éxito su enfoque a una red neuronal responsable de clasificar varios patrones, que produjeron un 66% de robustez. Estas ideas se pueden aplicar, por ejemplo, en electrónica analógica, donde una pieza de hardware puede aprender una tarea de forma autónoma sin una unidad central de procesamientoo control externo. El equipo también probó su solución en un sistema de osciladores de fase, que son interesantes porque las poblaciones de tales osciladores muestran algunos rasgos notables de sincronización. En tales casos, el aprendizaje autónomo ayuda a evitar las fluctuaciones inherentes de error que normalmente se encuentran en tales osciladores.sistemas.
Fuente de la historia :
Materiales proporcionado por Springer . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :