Un equipo de científicos de Google y la Universidad de Harvard ha creado un sistema de inteligencia artificial capaz de generar software científico de manera automática, logrando resultados superiores a los programas elaborados por seres humanos en pruebas fundamentales, según informó el sitio especializado TechXplore. Este avance, publicado en la prestigiosa revista Nature, promete reducir drásticamente los tiempos de diseño y ajuste de herramientas científicas, pasando de meses o años a tan solo horas o días.
La validación del sistema incluyó resultados contundentes en áreas como la salud y la biología. En una de las pruebas, la herramienta, bautizada como ERA (Empirical Research Assistance), desarrolló 14 modelos para predecir hospitalizaciones por COVID-19, los cuales superaron a los mejores modelos creados por los Centros para el Control y la Prevención de Enfermedades de Estados Unidos durante la pandemia.
En otra prueba, ERA identificó cuatro métodos inéditos para integrar conjuntos de datos de secuenciación de ARN de célula única, ofreciendo resultados más precisos que los enfoques tradicionales diseñados por especialistas humanos.
La investigación fue codirigida por Michael Brenner, profesor Catalyst de Matemáticas Aplicadas y Física en la Escuela de Ingeniería y Ciencias Aplicadas John A. Paulson de Harvard e investigador científico de Google, junto con Shibl Mourad de Google DeepMind.
De meses a horas: el funcionamiento de ERA
ERA fue diseñado para crear lo que los autores denominan “software empírico”: programas cuyo único propósito es maximizar su desempeño en una tarea científica específica, como pronosticar el clima o anticipar hospitalizaciones durante un brote de enfermedad. Este tipo de software es clave para avances en múltiples campos, incluyendo tres premios Nobel de Química recientes, detalló el portal.
El principal problema radica en que este software especializado requiere que una persona pruebe, corrija y refine el código constantemente, en un proceso que consume mucho tiempo y esfuerzo.
El nuevo sistema elimina este cuello de botella al automatizar el ciclo completo de diseño y perfeccionamiento del software científico, una tarea que normalmente puede tomar meses o incluso años a expertos humanos. Para lograrlo, combina el modelo de lenguaje Gemini de Google con una estrategia de búsqueda que le permite explorar y refinar miles de fragmentos de código con una velocidad y alcance superiores a los de un investigador individual.
El proceso comienza con un código base orientado a un problema específico. A partir de ahí, la herramienta propone cambios: añade nuevos componentes o reemplaza algoritmos con el objetivo de mejorar una puntuación predefinida, como la precisión para anticipar la propagación de una enfermedad a partir de hospitalizaciones previas o la capacidad de predecir la forma de proteínas desde secuencias de aminoácidos.
Para decidir qué caminos seguir y cuáles descartar, el modelo utiliza un método de búsqueda en árbol, la misma familia de técnicas aplicada en sistemas de juego como AlphaGo. ERA tampoco opera de forma aislada: puede incorporar ideas de artículos científicos o libros de texto que un usuario le proporcione o que el propio modelo recupere de forma automática e integre en versiones posteriores del código.
“Esta capacidad de integrar y recombinar ideas de investigación permite al sistema encontrar soluciones de ‘aguja en un pajar’ que la investigación humana quizá nunca llegue a poner a prueba”, señaló Brenner.
Pruebas en biología y neurociencia
El equipo aplicó la herramienta a una variedad de problemas científicos. Entre ellos estuvo la predicción de la actividad de más de 70.000 neuronas en el cerebro de un pez cebra y la comparación de esos resultados con datos neuronales reales.
En uno de esos experimentos, el equipo pidió a ERA que utilizara una biblioteca ya existente de modelado neuronal para construir simulaciones físicamente más precisas de la actividad cerebral. Antes, implementar algunos métodos específicos podía llevar una semana, pero ahora pueden ejecutarse en paralelo en unas pocas horas.
De acuerdo con una entrada del blog de Google, citada por el portal, al reducir el tiempo necesario para explorar un conjunto de ideas de meses a horas o días, el programa puede liberar tiempo para que los científicos se concentren en desafíos “verdaderamente creativos y críticos” y en definir y priorizar las preguntas fundamentales y los problemas sociales que la investigación científica puede ayudar a resolver.
Fuente: Infobae