Superando los límites del descubrimiento científico con el aprendizaje automático

¿Qué pasaría si los científicos y los formuladores de políticas pudieran automatizar y optimizar el filtrado de la enorme cantidad de datos disponibles en cada sistema con el que interactúan para extraer información que podría ayudar a los humanos a resolver problemas relacionados con la seguridad alimentaria, la atención médica personalizada, el cambio climático y más? Con el aprendizaje automático, es posible que podamos hacerlo. Esta herramienta revolucionaria tiene el potencial de ampliar la intuición humana y reconocer patrones en lugares que de otro modo no hubiéramos pensado mirar. Es probable que encontremos soluciones innovadoras a algunos de nuestros problemas más apremiantes en esos lugares. El aprendizaje automático ya puede ayudarnos a descifrar grandes cantidades de datos rápidamente, pero ahora depende de nosotros descubrir cómo aplicarlo.

Nat Traskprofesor asociado de Ingeniería Mecánica y Mecánica Aplicada (MEAM), combina su experiencia en matemáticas aplicadas y modelado de física tradicional con aprendizaje automático para descubrir una gran cantidad de aplicaciones a través de lo que él llama «laboratorios autónomos».

Con un doctorado. En matemáticas aplicadas, Trask comenzó su carrera investigadora como consultor en proyectos de dinámica de fluidos computacional. Pronto se unió a los Laboratorios Nacionales Sandia y comenzó a trabajar en muchos sistemas regidos por física compleja, como la energía de fusión, la física de choques, la física de semiconductores, la impresión 3D y el descubrimiento de materiales. En los últimos cinco años, cambió drásticamente su investigación, centrándose en el aprendizaje automático para el modelado científico. Al reconocer que las aplicaciones de aprendizaje automático eran infinitas, Trask se unió a Penn Engineering con nuevos objetivos de investigación en mente.

«Los problemas en los que nos centramos en Sandia son tan complejos que los modelos tradicionales por sí solos carecen de la capacidad de hacer predicciones precisas», afirma. «Hay demasiados tipos diferentes de física y escalas de longitud en juego».

Fue entonces cuando nació su idea del laboratorio autónomo.

«Un laboratorio autónomo es como un coche autónomo», afirma Trask. “En el automóvil, la IA le dice a un sistema mecánico qué hacer en función de la información entrante y los parámetros del sistema. En un laboratorio autónomo, la IA les diría a los robots que realicen ciertos experimentos en un orden determinado en función de los datos que reciben. Puede haber mil experimentos ejecutándose al mismo tiempo, cada uno de los cuales proporciona información diferente a partir de grandes conjuntos de datos”.

Trask tiene como objetivo diseñar algunos de sus primeros laboratorios autónomos impulsados ​​por aprendizaje automático en Penn. Estos laboratorios permitirían a investigadores de diferentes campos descubrir nuevos patrones y conexiones en su trabajo y ayudarían a impulsar soluciones innovadoras en diagnóstico y tratamiento médicos, almacenamiento de energía, descubrimiento de materiales sostenibles y más.

«Esta era de aprovechar el aprendizaje automático y la inteligencia artificial para asumir este tipo de tareas mejorará la eficiencia hoy en día de manera similar a como lo hicieron la Revolución Industrial y la invención de la línea de ensamblaje en el pasado», continúa. «Al aplicar estas herramientas para avanzar en los descubrimientos científicos, podríamos acceder a un nuevo tipo de rendimiento, mucho más rápido y en todas las escalas».

Y Trask ya está utilizando el poder del aprendizaje automático en su propio trabajo para producir modelos físicos más precisos.

Tradicionalmente, el modelado físico se ha realizado mediante el estudio de interacciones individuales en cada escala, desde átomos hasta moléculas, materiales en escala milimétrica, etc. Estas observaciones, combinadas con supuestos restrictivos, producen modelos relativamente simples que no se aplican a todos los escenarios. Mediante el uso del aprendizaje automático, estas interacciones se pueden observar y comprender con una resolución más alta.

«Ahora podemos conectar un ejemplo de interacción en cada escala de tamaño a un algoritmo y hacer que haga el trabajo duro de identificar información útil», dice Trask. “Puede aplicar las leyes conocidas de la física, como ‘f=ma’, y luego informar un modelo de cómo interactuará la materia en estas escalas. Al eliminar las limitaciones de nuestra propia cognición humana en este enfoque, también eliminamos los supuestos restrictivos aplicados en enfoques anteriores y producimos un modelo más preciso”.

Desde la construcción de modelos basados ​​en la física más precisos hasta el desarrollo de experimentos automatizados que respalden los laboratorios autónomos, Trask ve a Penn como el lugar perfecto para la colaboración y la libertad de experimentar.

«Sandia tiene excelentes instalaciones experimentales para desarrollar IA que pueden decirnos de manera útil qué experimento hacer a continuación, pero las universidades son un mejor lugar para realizar investigaciones arriesgadas y desarrollar rápidamente nuevas ideas», dice Trask. “Por eso me uní a Penn. Penn Engineering es conocida por sus expertos de clase mundial en robots autónomos, dispositivos médicos, ciencia de materiales y más, y este es el tipo de personas con las que quiero trabajar para aplicar el aprendizaje automático y los laboratorios autónomos a problemas reales y socialmente relevantes. «

Trask ya ha comenzado a establecer relaciones dentro y fuera de Penn para abordar estos problemas. Como codirector de un Centro de Capacidad Integrada Multifacética Matemática financiado por el Departamento de Energía llamado COROGS DE MARTrask está trabajando con otras seis universidades y dos laboratorios nacionales para desarrollar arquitecturas científicas de aprendizaje automático de próxima generación para abordar necesidades en entornos de ingeniería de altas consecuencias, como mejorar el análisis de los sistemas climáticos e identificar señales tempranas de alerta de clima extremo.

Además de dirigir SEA-CROGS, Trask está construyendo su propio laboratorio y lanzando algunos de sus primeros proyectos colaborativos en Penn.

«Este es un momento emocionante para mí y para el campo del aprendizaje automático en general», dice Trask. “Este otoño, mi grupo se mudará a Amy Gutmann Hall, iniciará muchos proyectos colaborativos e invitará a profesores y estudiantes a participar en nuevos trabajos para desarrollar algunos de los primeros laboratorios autónomos en Penn. Estamos a la vanguardia de la creación del estándar de inteligencia artificial basada en la física, y quienes están trabajando en estas cuestiones ahora podrían ser los primeros en hacerlo bien”.

Fuente: Universidad de Pensilvania