A medida que el mundo natural cambia rápidamente, la humanidad depende de predicciones fiables y precisas de su comportamiento para minimizar los impactos perjudiciales en la sociedad y los ecosistemas que nos sostienen.
Los ecosistemas de todas las escalas son cada vez más vulnerables al colapso. Por ejemplo, los arrecifes de coral se ven afectados por el calentamiento de las aguas, la contaminación y la sobrepesca; en todo el mundo, el 84% de los arrecifes sufren blanqueamiento de coral, una respuesta al estrés causada por estos impactos. Estos eventos desplazan o matan la vida marina que habita en los arrecifes, reduciendo la biodiversidad y perjudicando a la humanidad al debilitar las economías que dependen del turismo y eliminar fuentes de alimento.
Anticipar los daños es fundamental para desarrollar estrategias eficaces de control y mitigación, un área en la que la inteligencia artificial (IA) y el aprendizaje automático modernos podrían desempeñar un papel transformador.
Sin embargo, la escasez e incompletitud de los datos ecológicos dificultan el entrenamiento eficaz de los modelos de aprendizaje automático. Abordar este desafío es el foco de Zheng-Meng Zhai, estudiante de doctorado en ingeniería eléctrica de la Universidad Estatal de Arizona, quien está explorando cómo aprovechar el poder de la IA para predecir y prevenir mejor los fallos de los ecosistemas.
Zhai, estudiante de la Ira A. Fulton Schools of Engineering, lideró un proyecto centrado en el desarrollo de una nueva forma de enseñar a los algoritmos de IA a realizar predicciones precisas sobre los sistemas ecológicos, para los cuales los datos precisos suelen ser escasos.
Su trabajo, realizado bajo la supervisión de su asesor de tesis doctoral, el profesor distinguido de ASU Regents Ying-Cheng Lai, fue seleccionado para su publicación en la prestigiosa revista de investigación Proceedings of the National Academy of Sciences of the United States of America, o PNAS, debido a su impacto.
Mirando hacia el futuro
“El aprendizaje automático normalmente requiere muchos datos para funcionar bien”, explica Zhai. “La falta de correspondencia con los datos escasos que suelen estar disponibles en los sistemas ecológicos nos motivó a buscar un método que aún pueda realizar buenas predicciones cuando los datos son limitados”.
Su investigación determinó cómo duplicar la precisión de los algoritmos de aprendizaje automático con cinco a siete veces menos datos de los que normalmente serían necesarios. Esta mayor precisión tiene aplicaciones dondequiera que se utilicen datos de series temporales para registrar mediciones de la misma variable a lo largo del tiempo. Zhai señala la investigación climática, como el modelado de las corrientes oceánicas, como un ejemplo.
“La Circulación Meridional de Retorno del Atlántico, o AMOC, es un importante sistema de corrientes oceánicas que ayuda a mantener relativamente cálidos y habitables el norte de Europa y el este de América del Norte, sin embargo, los científicos solo tienen registros cortos e incompletos de su comportamiento”, dice Zhai. “Si la AMOC se debilita o colapsa, podría tener importantes impactos globales. Nuestro método podría ayudar a mejorar la predicción del comportamiento en casos como este”.
Más allá de la ciencia del clima, su trabajo también podría aplicarse al modelado de la propagación de epidemias, ayudando a las autoridades de salud pública a tomar las precauciones necesarias para mantener seguras a las poblaciones y predecir los patrones de tráfico para ayudar a los planificadores de transporte a mantener las carreteras fluidas.
Enseñando a la IA
Para abordar estos desafíos, Zhai y Lai desarrollaron el método de meta-aprendizaje, que entrena a los algoritmos de aprendizaje automático para aprender de nuevas maneras. Tradicionalmente, los algoritmos de aprendizaje automático completan una tarea específica utilizando un único conjunto de datos sólido, pero esto presenta un problema cuando se trata de la imprevisibilidad de la naturaleza.
El meta-aprendizaje funciona de manera más similar a como aprendería un humano, enseñando a los algoritmos a integrar la experiencia de numerosas tareas relacionadas. Zhai entrenó el sistema utilizando una variedad de conjuntos de datos sintéticos caóticos, que son generados por una computadora y diseñados para simular condiciones realistas e impredecibles.
Después de ser expuesto a estos conjuntos de datos sintéticos, un algoritmo de aprendizaje automático entrenado en meta-aprendizaje puede “comprender” cómo interpretar y hacer inferencias a partir de sistemas ecológicos que tienen datos mínimos disponibles. El aprendizaje de los algoritmos se facilita mediante un tipo especializado de sistema informático diseñado para funcionar como el cerebro humano, conocido como una red neuronal de alimentación directa con retardo de tiempo.
Un futuro brillante en el aprendizaje automático
Mientras se prepara para defender su tesis doctoral, el trabajo de Zhai en el desarrollo del método de meta-aprendizaje es lo último en una prolífica carrera académica. Ha publicado más de 10 artículos en revistas que incluyen Nature Communications y PRX Energy. Su objetivo es continuar su investigación en el campo, ampliando su trabajo para predecir más tipos de comportamiento del sistema, incluyendo tipos adicionales de inestabilidades en los sistemas climáticos, el colapso de los ecosistemas y las redes de infraestructura.
“Zheng-Meng se ha convertido en un experto líder en la aplicación del aprendizaje automático a sistemas dinámicos complejos y no lineales”, dice Lai. “Es reconocido como una estrella en ascenso en este campo interdisciplinario”.
Zhai dice que se siente honrado de que su trabajo sea publicado por una revista tan prestigiosa como PNAS.
“Ver que nuestro trabajo es reconocido por PNAS es profundamente gratificante y representa un hito importante en mi trayectoria académica”, dice. “Espero que la publicación en una revista tan visible presente nuestro enfoque a un público científico más amplio, fomente la colaboración e inspire futuras investigaciones sobre sistemas con datos limitados”.
