Para que la inteligencia artificial sea verdaderamente inteligente, debe empezar por serlo tanto como las inteligencias naturales más simples. Siguiendo este razonamiento, unos científicos han copiado en un material cuántico dos signos básicos de inteligencia del reino animal.

Los dos signos básicos de inteligencia natural que han sido reproducidos por el equipo de Shriram Ramanathan, de la Universidad Purdue en Estados Unidos, son habituación y sensibilización. La habituación consiste en acostumbrarse a un estímulo que se repite a lo largo del tiempo, como por ejemplo, ruidos que son parte normal del ambiente y que no denotan una anomalía potencialmente peligrosa. La sensibilización es lo contrario; consiste en reaccionar fuertemente a un nuevo estímulo, como por ejemplo evitar volver a comer bayas de una clase de la que hemos descubierto por experiencia directa, que es tóxica.

A la inteligencia artificial le resulta muy difícil aprender y almacenar nueva información sin sobrescribir la que ya ha aprendido y almacenado, un problema que los investigadores que estudian la computación inspirada en el cerebro llaman el “dilema estabilidad-plasticidad”. La habituación permitiría a la inteligencia artificial “olvidar” la información innecesaria (logrando más estabilidad), mientras que la sensibilización podría ayudar a retener la información nueva e importante (logrando más plasticidad).

En este estudio, los investigadores encontraron un modo de incorporar tanto la habituación como la sensibilización en el óxido de níquel, un material cuántico. A este material se llama cuántico porque algunas de sus propiedades no se pueden explicar con la física clásica.

Los investigadores descubrieron que exponer repetidamente el óxido de níquel al gas hidrógeno hace que el cambio en la resistencia eléctrica del óxido de níquel disminuya con el tiempo. En cambio, la introducción de un nuevo estímulo como el ozono aumenta enormemente el cambio en la resistencia eléctrica.

Si un material cuántico puede imitar de forma fiable estas formas de aprendizaje, entonces podría resultar viable construir un hardware que ya de por sí posea inteligencia artificial. Y si una inteligencia artificial fuese capaz de operar tanto por hardware como por software, podría ser capaz de realizar tareas más complejas utilizando menos energía.

Ramanathan y sus colegas exponen los detalles técnicos de sus últimos logros en la revista académica Proceedings of the National Academy of Sciences (PNAS), bajo el título “Neuromorphic learning with Mott insulator NiO”.

Fuente: noticiasdelaciencia.com