Teoría de todo

Podría ser posible, dicen los físicos, pero no pronto. Y no hay garantía de que los humanos entendamos el resultado.

por Dennis Overbye

Érase una vez, Albert Einstein describió las teorías científicas como “invenciones libres de la mente humana”. Pero en 1980, Stephen Hawking, el renombrado cosmólogo de la Universidad de Cambridge, tuvo otro pensamiento. En una conferencia de ese año, argumentó que la llamada Teoría del Todo podría ser alcanzable, pero que los toques finales probablemente se realizarían con computadoras.

Teoría de todo
Teoría de todo

“Puede que el final no esté a la vista para la física teórica”, dijo. “Pero podría estar a la vista para los físicos teóricos”.

La Teoría del Todo todavía no está a la vista, pero con las computadoras asumiendo muchas de las tareas de la vida (traducir idiomas, reconocer caras, conducir automóviles, recomendar con quién salir), no es tan loco imaginarlos reemplazando a los Hawkings y los Einsteins del mundo.

Los programas informáticos como AlphaGo de DeepMind siguen descubriendo nuevas formas de vencer a los humanos en juegos como el Go y el ajedrez , que se han estudiado y jugado durante siglos. ¿Por qué una de estas maravillosas máquinas de aprendizaje, soltar un enorme catálogo astronómico o los petabytes de datos recopilados por el Gran Colisionador de Hadrones, no pudo discernir un conjunto de nuevas partículas fundamentales o descubrir un agujero de gusano en otra galaxia en el sistema solar exterior? como el de la película “Interstellar”?

Al menos ese es el sueño. Pensar de otra manera es comprometerse con lo que el físico Max Tegmark llama “chovinismo del carbono”. En noviembre, el Instituto de Tecnología de Massachusetts, donde el Dr. Tegmark es profesor, cobró un cheque de la Fundación Nacional de Ciencias y abrió las puertas metafóricas del nuevo Instituto de Inteligencia Artificial e Interacciones Fundamentales.

El instituto es uno de los siete creados por la fundación y el Departamento de Agricultura de EE. UU. Como parte de un esfuerzo a nivel nacional para impulsar el trabajo en inteligencia artificial. Cada uno recibe $ 20 millones durante cinco años.

El instituto del MIT, dirigido por Jesse Thaler, un físico de partículas, es el único dedicado específicamente a la física. Incluye más de dos docenas de científicos, de todas las áreas de la física, del MIT, Harvard, Northeastern University y Tufts.

“Lo que espero hacer es crear un lugar donde los investigadores de una variedad de diferentes campos de la física, así como los investigadores que trabajan en ciencias de la computación, aprendizaje automático o inteligencia artificial, puedan reunirse, dialogar y enseñarse cosas unos a otros. ”, Dijo el Dr. Thaler durante una llamada de Zoom. “En última instancia, quiero tener máquinas que puedan pensar como un físico”.

Su herramienta en este esfuerzo es una marca de inteligencia artificial conocida como redes neuronales. A diferencia de los llamados sistemas expertos como Watson de IBM, que están cargados de conocimiento científico y humano, las redes neuronales están diseñadas para aprender sobre la marcha, de manera similar a como lo hacen los cerebros humanos. Al analizar una gran cantidad de datos en busca de patrones ocultos, aprenden rápidamente a distinguir perros de gatos, reconocer caras, replicar el habla humana, señalar el mal comportamiento financiero y más.

“Esperamos descubrir todo tipo de nuevas leyes de la física”, dijo el Dr. Tegmark. “Ya se nos ha demostrado que puede redescubrir las leyes de la física”.

El año pasado, en lo que equivalía a una especie de prueba de principio, el Dr. Tegmark y un estudiante, Silviu-Marian Udrescu, tomaron 100 ecuaciones de física de un famoso libro de texto: “Las conferencias de Física Feynman” de Richard Feynman, Robert Leighton y Matthew. Sands, y los usó para generar datos que luego se enviaron a una red neuronal. El sistema examinó los datos en busca de patrones y regularidades, y recuperó las 100 fórmulas.

“Como un científico humano, prueba muchas estrategias (módulos) diferentes”, escribieron los investigadores en un artículo publicado el año pasado en Science Advances . “Y si no puede resolver el problema completo de una sola vez, intenta transformarlo y dividirlo en partes más simples que se pueden abordar por separado, relanzando de forma recursiva el algoritmo completo en cada pieza”.

En otro experimento más desafiante, el Dr. Tegmark y sus colegas mostraron a la red un video de cohetes volando y le pidieron que prediga lo que sucedería de un cuadro al siguiente. No importa las palmeras al fondo. “Al final, la computadora pudo descubrir las ecuaciones esenciales del movimiento”, dijo.

Encontrar nuevas partículas en un lugar como el Gran Colisionador de Hadrones del CERN sería pan comido, dijo el Dr. Tegmark; A la inteligencia artificial le gustan los macrodatos, y los datos del colisionador llegan a miles de terabytes por segundo. No importa que una nueva partícula no haya aparecido en los datos del CERN desde el descubrimiento del bosón de Higgs en 2012, a pesar de años de frenéticos exámenes de cada bache en el flujo de datos.

“Esas son curvas que los humanos miran”, dijo el Dr. Tegmark. “En 10 años, el aprendizaje automático será tan esencial para hacer física como saber matemáticas”.

Por ahora, admitió, existen límites a lo que se puede lograr mediante el método recursivo de resolución de problemas del algoritmo, una práctica conocida como regresión. Aunque la máquina puede recuperar de una pila de datos las leyes fundamentales de la física, todavía no puede encontrar los principios profundos, como la incertidumbre cuántica en la mecánica cuántica o la relatividad, que subyacen a esas fórmulas.

“Para cuando la IA regrese y te diga eso, entonces habremos alcanzado la inteligencia artificial general, y deberías estar muy asustado o muy emocionado, según tu punto de vista”, dijo el Dr. Tegmark. “La razón por la que estoy trabajando en esto, honestamente, es porque lo que encuentro más amenazador es si construimos una IA superpoderosa y no tenemos ni idea de cómo funciona, ¿verdad?”

El Dr. Thaler, quien dirige el nuevo instituto en el MIT, dijo que alguna vez fue escéptico sobre la inteligencia artificial, pero que ahora era un evangelista. Se dio cuenta de que, como físico, podía codificar parte de su conocimiento en la máquina, lo que le daría respuestas que podría interpretar más fácilmente.

“Eso se convierte en un diálogo entre humanos y máquinas de una manera que se vuelve más emocionante”, dijo, “en lugar de tener una caja negra que no entiendes tomando decisiones por ti”.

Añadió: “No me gusta especialmente llamar a estas técnicas ‘inteligencia artificial’, ya que ese lenguaje enmascara el hecho de que muchas técnicas de inteligencia artificial tienen bases rigurosas en matemáticas, estadística e informática”.

Sí, señaló, la máquina puede encontrar soluciones mucho mejores que él a pesar de toda su capacitación: “Pero, en última instancia, todavía puedo decidir qué objetivos concretos merecen la pena alcanzar y puedo apuntar a objetivos cada vez más ambiciosos sabiendo que, si puede definir rigurosamente mis objetivos en un lenguaje que la computadora entienda, entonces la IA puede ofrecer soluciones poderosas “.

Recientemente, el Dr. Thaler y sus colegas alimentaron a su red neuronal con un tesoro de datos del Gran Colisionador de Hadrones, que aplasta protones en busca de nuevas partículas y fuerzas. Los protones, los bloques de construcción de la materia atómica, son ellos mismos bolsas de entidades más pequeñas llamadas quarks y gluones. Cuando los protones chocan, estas partículas más pequeñas salen a chorros en chorros, junto con cualquier otra partícula exótica que se haya unido a partir de la energía de la colisión. Para comprender mejor este proceso, él y su equipo le pidieron al sistema que distinguiera entre los quarks y los gluones en los datos del colisionador.

“Dijimos: ‘No les voy a decir nada sobre la teoría cuántica de campos; No les voy a decir qué es un quark o gluón en un nivel fundamental ‘”, dijo. “Solo voy a decir, ‘Aquí hay un lío de datos, por favor sepárelos básicamente en dos categorías’. Y puede hacerlo “.

Es decir, el sistema identificó y distinguió con éxito entre quarks y gluones, sin saber nunca qué era. Si luego le pregunta al sistema si hay un tercer tipo de objeto en los datos, dijo Thaler, comienza a descubrir que los quarks no son solo una entidad, sino que existen en diferentes tipos, los llamados up-quarks y down-quarks. .

“Y entonces empieza a aprender a medida que le da más flexibilidad para explorar”, dijo. “Todavía no conoce la teoría cuántica de campos, pero sabe buscar patrones. Y este es un patrón que me sorprendió que la máquina encontrara “. El trabajo, agregó, ayudaría a los físicos de colisionadores a desenredar sus resultados.

En un momento durante una conversación de Zoom, el Dr. Thaler mostró lo que llamó “una caricatura tonta” de la red neuronal que se había utilizado para el proyecto de quark-gluon. Parecía una pila de bandas de goma multicolores, pero representaba varias capas de procesamiento, que involucraban unos 30.000 nodos, o “neuronas”, donde se recopilaba y transmitía información.

“Este es el tipo de red pequeña que podría entrenar en su computadora portátil, si esperara lo suficiente”, dijo.

Cabría en un chip pequeño y es lo suficientemente rápido como para usarse en colisionadores para ayudar a decidir qué colisiones conservar para su estudio y cuáles desechar. Dado que las colisiones ocurren 40 millones de veces por segundo, no hay mucho tiempo para decidir.

Otra característica de este nuevo campo, dijo el Dr. Thaler, era que proporcionaba un lenguaje común para investigadores de campos de actividad muy diferentes. Resultó que las matemáticas involucradas en la solución del problema del colisionador también eran aplicables a la optimización de los horarios de envío para un equipo como Amazon.

“Los descubrimientos más sorprendentes provienen de darme cuenta de que alguien más tenía precisamente la herramienta o precisamente el widget que realmente puede ayudarme a comprender mis problemas desde una nueva perspectiva”, dijo el Dr. Thaler. “Y a partir de ahí, hacer cosas que nunca antes se habían hecho”.

“Una de las razones por las que la IA ha tenido tanto éxito en la resolución de juegos”, dijo el Dr. Thaler, “es que los juegos tienen una noción de éxito muy bien definida”. Añadió: “Si pudiéramos definir lo que significa el éxito para las leyes físicas, sería un avance increíble”.

“En cinco a diez años a partir de ahora, voy a querer hacer exactamente lo que está buscando: aquí están los datos, aquí hay un conjunto de herramientas muy básico; encontrar la ecuación que podría poner en una camiseta, la ecuación que reemplaza el modelo estándar de física de partículas. ¿Cuál es la ecuación que reemplaza la relatividad general de Einstein? “

Algunos físicos piensan que el próximo gran salto vendrá con la llegada de la IA a las computadoras cuánticas. A diferencia de las computadoras clásicas, que manipulan bits que pueden ser 1 o 0, los llamados qubits en las computadoras cuánticas pueden ser ambos a la vez. Según la física cuántica, así es como se comportan las partículas elementales en las escalas más pequeñas de la naturaleza, y permite que las computadoras cuánticas procesen grandes cantidades de información simultáneamente.

Estas máquinas están todavía en su infancia, pero son muy prometedoras , dijo Seth Lloyd, un ingeniero mecánico y experto en computación cuántica del MIT que no forma parte del nuevo instituto de inteligencia artificial allí.

“La idea básica es que los sistemas cuánticos pueden generar patrones que son difíciles de generar para los sistemas clásicos”, dijo el Dr. Lloyd. “Entonces, tal vez los sistemas cuánticos también puedan reconocer patrones que los sistemas clásicos reconocen”.

O como dijo Joe Lykken, subdirector de investigación del Fermi National Accelerator Laboratory en Batavia, Ill., “Para parafrasear a Richard Feynman, si quieres utilizar la IA para descubrir cosas sobre nuestro mundo cuántico, debes utilizar la IA cuántica”.

Maria Spiropulu, física del Instituto de Tecnología de California, señaló la creciente literatura “sobre IA cuántica y algoritmos inspirados en cuántica que resuelven problemas que antes pensábamos que no tenían solución”. Añadió: “¡Es como la alegoría de la cueva de Platón y la teoría de la mayoría de edad de las formas!”

Hasta dónde podría llegar esto depende de a quién le pregunte. ¿Podría una máquina producir los principios abstrusos y poco intuitivos de la teoría cuántica, o los principios baluarte de la relatividad de Einstein? ¿Podría producir una teoría que los humanos no podamos entender? ¿Podríamos terminar en Matrix, o en un mundo dirigido por SkyNet, como en la serie “Terminator”?

Pregunté a una muestra aleatoria de físicos teóricos si estaban listos para ser reemplazados.

“La forma en que pregunta aumenta la confusión”, dijo Jaron Lanier, un ingeniero informático que ahora trabaja con Microsoft. El campo de la informática, dijo, está plagado de exageraciones románticas sobre el poder y la amenaza de las máquinas superinteligentes.

“¿Podemos formular una pregunta de tal manera que podamos hacer el cálculo?” preguntó. “Elimina el romanticismo. No es una criatura como un gato, es solo un algoritmo en ejecución “.

Steven Weinberg, premio Nobel y profesor de la Universidad de Texas en Austin, lo calificó como “un pensamiento preocupante” de que los humanos podrían no ser lo suficientemente inteligentes para comprender la Teoría del Todo final. “Pero sospecho que en ese caso”, escribió en un correo electrónico, “tampoco seremos lo suficientemente inteligentes como para diseñar una computadora que pueda encontrar una teoría final”.

Lisa Randall, física de Harvard, escribió: “Puedo imaginarme fácilmente a las computadoras encontrando ecuaciones o relaciones que no sabemos cómo interpretar. Pero eso no es realmente diferente de las muchas medidas que aún no podemos explicar “.

Nima Arkani-Hamed, teórica del Instituto de Estudios Avanzados de Princeton, Nueva Jersey, se mostró en desacuerdo con la idea de que la computadora descubra algo demasiado profundo para que los humanos lo comprendan: “Esto no refleja lo que vemos en el carácter de las leyes de la naturaleza, que hemos llegado a ver a lo largo de los siglos, se basan en menos ideas matemáticas, más profundas, más simples aunque más abstractas “.

Si Isaac Newton regresara de entre los muertos, por ejemplo, dijo el Dr. Arkani-Hamed, no tendría problemas para ponerse al día con la física contemporánea: “De hecho, decenas de personas que no son Newton logran hacer esto en el transcurso de cuatro años. de un año de educación universitaria “.

Michael Turner, cosmólogo de la Fundación Kavli en Los Ángeles, dijo que en última instancia no importaba de dónde vinieran nuestras ideas, siempre y cuando fueran probadas en batalla antes de confiar en ellas.

“Entonces, ¿de dónde sacamos estas teorías o paradigmas? Puede ser de principios profundos – simetría, belleza, sencillez – principios filosóficos, religión o el borracho local ”, dijo. “A medida que las máquinas se vuelven más inteligentes, podemos agregarlas a la lista de fuentes”.

Edward Witten, también del Instituto de Estudios Avanzados de Princeton, señaló que, aunque todavía no existía una máquina de teoría de todo, podría existir en el próximo siglo. “Si hubiera una máquina que pareciera interesada y curiosa por la física, ciertamente estaría interesado en conversar con ella”.

Sin duda estaría interesado en hablar con él.

Fuente: https://www.nytimes.com/2020/11/23/science/artificial-intelligence-ai-physics-theory.html

Deja un comentario