- Los investigadores han resuelto un conjunto de ejemplos sencillos del problema caótico de los tres cuerpos.
- Los viajes espaciales y la mayoría de los sistemas de la vida real son caóticos, lo que hace que esta investigación sea valiosa.
- Las redes neuronales tienen el potencial de resolver, o al menos modelar, los problemas caóticos mejor que los superordenadores tradicionales.
Los informáticos han demostrado que una red neuronal especial es probablemente capaz de resolver ejemplos más sencillos del problema caótico de los tres cuerpos, informa Tech Xplore. Si los resultados parecen difíciles de analizar, es porque el problema de los tres cuerpos y sus implicaciones también son bastante difíciles de analizar.
El problema de los tres cuerpos es una rama de la cosmología, donde los «cuerpos» son celestes, como calcular dónde están los planetas en relación con los demás a lo largo del tiempo. (El autor chino de ciencia ficción Liu Cixin utilizó el término como un juego de palabras para el título de su novela ganadora del Premio Hugo 2015 sobre astrofísicos asesinados). Las aplicaciones van desde los primeros navegadores de barcos de baja tecnología hasta las teorías modernas de los vuelos espaciales, como las asistencias gravitacionales, y la complejidad matemática del problema en sí lo ha hecho interesante tanto para los matemáticos como para los informáticos durante muchos años.
A veces pensamos en el espacio como algo vacío debido a las ideas erróneas populares, pero incluso en el vacío relativo, el espacio está lleno de campos gravitacionales que chocan entre sí, campos magnéticos, vientos solares (un nombre erróneo, porque no hay aire), y más. Todo es empujado y atraído por diferentes fuerzas -tantas fuerzas y con tal complejidad que los «tres cuerpos» son casi completamente impredecibles de un momento a otro, incluso si sabemos dónde estaban un instante antes.
En el pasado, los científicos relegaron los comportamientos «caóticos» como el problema de los tres cuerpos a una isla polvorienta para problemas inadaptados. A medida que los superordenadores se hacían más potentes, estos científicos se dieron cuenta de que podían utilizar una potencia de cálculo cada vez mayor para machacar problemas matemáticos complicados. A su vez, las redes neuronales artificiales ofrecen un paso más allá de la simple supercomputación.
Estas máquinas, inspiradas en procesos biológicos reales que se encuentran en la naturaleza, pueden modelar el caos de forma más cercana debido a su capacidad para trabajar en problemas no lineales. Cuando nosotros (o incluso los monos y otros primates no humanos) vemos a alguien colocar dos objetos juntos, no esperamos encontrar tres objetos como suma. Se trata de un proceso lineal en el que utilizamos nuestro conocimiento de las entradas para predecir las salidas proporcionales.
En un sistema no lineal como el problema caótico de los tres cuerpos, todas las apuestas se cancelan y nuestras intuiciones se desbaratan. Gran parte de la ciencia aplicada implica sistemas no lineales y la resolución de problemas. Hasta ahora, los científicos no han conseguido resolver el problema de los tres cuerpos, salvo en formatos muy desvirtuados: el problema de los dos cuerpos está resuelto, y los científicos pueden resolver lo que llaman un problema «restringido» de los tres cuerpos, que es cuando un cuerpo es tan insignificante en masa que básicamente desaparece en la ecuación.
Piensa en esto como en tomar la derivada de una ecuación, cuando una constante simplemente desaparece para convertirse en 0-o en calcular la n-complejidad en la ciencia de la computación, cuando el exponente o el logaritmo es generalmente todo lo que importa, y otra información se descarta.
Todo esto significa que una red neuronal que pueda modelar y resolver incluso formas sencillas del problema caótico de los tres cuerpos, en el que los tres cuerpos son actores independientes estadísticamente significativos, es algo enorme. Estos investigadores -de la Universidad de Edimburgo, la Universidad de Cambridge, el Campus Universitario de Santiago y la Universidad de Leiden- compararon su red neuronal con un superordenador tradicional entrenado para resolver problemas de tres cuerpos más sencillos, y dicen que su red resolvió estos ejemplos mucho, mucho más rápido.
Sin embargo, hay complicaciones. El hecho de que un superordenador especializado les diera las respuestas a sus ejemplos significa que los científicos tenían una clave de respuesta lista para comprobarla; sin este recurso, no está claro que una red neuronal pudiera generar fácilmente respuestas correctas por sí misma, especialmente a medida que los problemas se volvieran más complejos. El aprendizaje automático profundo que utilizan las redes neuronales es una especie de caja negra.
Además, los propios investigadores concluyen que su red neuronal se aproxima a los resultados concretos del superordenador tradicional. Al igual que utilizar 3,14 en lugar de la propia pi, este tipo de aplicaciones casi siempre tienen advertencias. La nueva investigación es emocionante, pero no representa un avance claro y concreto sin mucho más contexto y aportaciones externas.