Sobre los sesgos inductivos en el aprendizaje científico automático

La irrupción de la inteligencia artificial y el aprendizaje automático en nuestras vidas está teniendo un impacto sobresaliente, y la Mecánica Computacional no podía ser menos en este aspecto. Las ventajas que las redes neuronales ofrecen potencialmente en diversos aspectos de esta disciplina son muy interesantes: la posibilidad de acelerar las simulaciones, de crear modelos reducidos o de “aprender” leyes de comportamiento a partir de datos son algunas de las más destacadas. Sin embargo, las redes neuronales son bien conocidas también por algunas de sus debilidades: la sensibilidad al ruido en los datos, los sesgos cognitivos que puede afectar a la validez de sus predicciones —aunque veremos cómo aprovecharlos en nuestro beneficio— o su carácter de “cajas negras” que ofrecen predicciones sin explicación posible, están entre ellas. En el campo de la Física, sin embargo, existe una tradición científica de siglos que no hay por qué depreciar al utilizar estas técnicas. Todo conocimiento científico disponible puede ser utilizado en la forma de un sesgo inductivo para aumentar la robustez de las redes, para hacerlas más exactas o para utilizar menos datos, por ejemplo. En esta charla hablaremos de cómo utilizar la Física al más alto nivel (la llamada “Física de la Física”: la Termodinámica) para lograr estos objetivos