viernes, 13 de julio de 2018

BionicFinWave: Robot submarino con unidad de aleta única



La planariana marina, la sepia y la perca del Nilo tienen una cosa en común: para propulsarse, utilizan sus aletas para generar una ola continua, que avanza a lo largo de toda su longitud. Con este movimiento de aleta ondulado, el BionicFinWave también maniobra a través de un sistema de tuberías hecho de vidrio acrílico. Al mismo tiempo, el robot subacuático autónomo puede comunicarse con el mundo exterior de forma inalámbrica y transmitir datos, como los valores de sensor grabados de temperatura y presión, a una tableta.
Las aletas en los modelos naturales funcionan desde la cabeza hasta la cola y se encuentran en la parte posterior, el estómago o en ambos lados del cuerpo. El movimiento en forma de onda de las aletas permite que los peces empujen el agua detrás de ellos, creando así un impulso hacia adelante. Por el contrario, las criaturas también pueden nadar hacia atrás de esta manera y, dependiendo del patrón de onda, crear levantamiento, carga aerodinámica o incluso empuje lateral.

Aletas de silicona flexibles para maniobras naturales de natación

BionicFinWave usa sus dos aletas laterales para moverse. Están completamente fundidos de silicona y no tienen puntales u otros elementos de soporte. Esto los hace extremadamente flexibles y, por lo tanto, capaces de implementar los movimientos de las ondas de fluido de sus modelos biológicos fieles a la naturaleza.

Para este propósito, las dos aletas a la izquierda y derecha están sujetas a nueve pequeños brazos de palanca. Estos a su vez son impulsados ​​por dos servomotores ubicados en el cuerpo del robot subacuático. Dos cigüeñales conectados transfieren la fuerza a las palancas de tal manera que las dos aletas se pueden mover individualmente. De este modo, pueden generar diferentes patrones de onda, que son particularmente adecuados para un movimiento lento y preciso y hacen girar el agua menos de lo que lo hace un husillo convencional, por ejemplo.
Impulsion en forma de onda: el movimiento ondulante de las aletas de silicona flexibles

Navegación autónoma a través de un sistema de tuberías lleno de agua

Modelos de roles naturales: el movimiento ondulado de la aleta en la sepia y planaria marina salvaje

Cuerpo de diseño Adaptado con electrónica integrada a bordo

Nuevo conocimiento para fiscales blandos: la aleta flexible de silicona de una escayola

Delicado sistema mecánico: el cigüeñal impreso en 3D con brazo de palanca

Para nadar en una línea curva, por ejemplo, la aleta exterior se mueve más rápido que la interna, similar a las cadenas en una excavadora. Un tercer servomotor en la cabeza del BionicFinWave controla la flexión del cuerpo, lo que le ayuda a nadar hacia arriba y hacia abajo. Para que los cigüeñales sean adecuadamente flexibles y elásticos, se instala una junta cardan entre cada segmento de palanca. Para este propósito, los cigüeñales, incluidas las articulaciones y la biela, estaban hechos de una sola pieza de plástico con el método de impresión 3D.

Interacción inteligente de una amplia gama de componentes

Los elementos restantes en el cuerpo de BionicFinWave también están impresos en 3D. Con sus cavidades, actúan como unidades de flotación. Al mismo tiempo, todo el sistema de tecnología de control y regulación se instala de manera segura y hermética aquí en el espacio más pequeño y coordinado. Por lo tanto, además de la placa de circuito con procesador y módulo remoto, la parte frontal del cuerpo también alberga un sensor de presión y sensores de ultrasonido. Miden constantemente las distancias a las paredes, así como la profundidad en el agua, lo que evita las colisiones con el sistema de tuberías.

Nuevo ímpetu y enfoques para la industria de procesos

Con la plataforma de tecnología biónica, nuestra Red de Aprendizaje Biónico una vez más está impulsando el trabajo futuro con robots autónomos y nuevas tecnologías de transmisión utilizadas en medios líquidos. Sería concebible desarrollar conceptos como BionicFinWave para tareas como inspecciones, secuencias de medición o recopilación de datos, por ejemplo, para la tecnología de agua y alcantarillado u otras áreas en la industria de procesos. Además, el conocimiento adquirido durante el proyecto se puede utilizar para los métodos de fabricación de componentes de robótica blanda.

Robot ciempiés Tamiya


En el país del infame mukade y ciempiés que crecen hasta 20 cm (8 "), no es de extrañar que los científicos se fascinen con estas criaturas, ¡lo suficiente como para empezar a fabricar robots con la forma de ellos! En honor a la investigación realizada en las universidades de Kioto y Osaka, Tamiya ha creado su propio robot Tamiya Centipede, un cruce entre lo espeluznante y lo lindo.



Los colores hacen que el Tamiya Centipede Robot sea fácil de usar. Construirlo también es fácil, así que lo tendrás, bueno, aunque no exactamente "en funcionamiento", al menos "abajo y deslizándose" en ningún momento. Vea cómo se mueve en varios terrenos (sus antenas le permiten ajustarse a superficies irregulares) y contemple cómo evolucionaron y funcionaron sus parientes vivos en la naturaleza. ¡Tan realista como un genuino mukade, pero sin el peligroso aguijón!



Las características del robot ciempiés Tamiya:
  • Kit de montaje completo (motor incluido).
  • Dimensiones: 400 x 92 x 40 mm (15,7 x 3,6 x 1,5 ").
  • Movimiento adaptable al terreno.
  • Antenas de radar.
  • Potencia: 2 pilas AAA (se venden por separado).
  • Fácil montaje; solo se necesita un destornillador.
  • Para mayores de 10 años.
  • Instrucciones: japonés.
Fuente: Japan Trend Shop

jueves, 8 de marzo de 2018

¿Puede nuestro cerebro entenderse a sí mismo?



La comprensión de la mente humana, fue en la antiguedad dominio de la filosofía, esta está ahora en las revolucionarias manos de la neurociencia.

Ludwig Wittgenstein no era un ignorante en cuestiones de tecnología. Había estudiado ingeniería aeronáutica en la Universidad de Manchester (Reino Unido) antes de la primera Guerra Mundial, donde investigó el comportamiento de las cometas y diseñó un propulsor con pequeños cohetes en las puntas. Pero el filósofo se oponía con fuerza al cientificismo, algo que Trenton Jerde, en su crítica de Wittgenstein en el exilio de James Klagge, describe como "una obsesión por el método científico, recurrir a la ciencia para que resuelva problemas que están más allá de su alcance, y un uso erróneo de la terminología científica". El filósofo austríaco insistía en que existe una separación insalvable entre la filosofía y la ciencia, que Klagge denomina "la tesis del aislamiento, de Wittgenstein”, una de cuyas consecuencias es que la ciencia no puede resolver problemas filosóficos. Wittgenstein se habría mostrado especialmente socarrón respecto a los neurocientíficos defendiendo la posibilidad de explicar fenómenos mentales con sentido. En su Zettel (o comentarios póstumos), escribe sobre la psicología de su propio tiempo: "ninguna conjetura me parece más natural que el que no existe ningún proceso en el cerebro correlacionado... con el pensamiento; así que sería imposible interpretar los procesos de pensamiento partiendo de procesos cerebrales".

Ahora esta interdicción de Wittgenstein es un lugar común entre los filósofos. Muchos defienden que comprender las causas de los hechos en nuestros cerebros no sirve para contarnos demasiado sobre la mente, porque inferir cualquier cosa de estos últimos partiendo de las primeras es una especie de "error de categoría". Pero esta actitud se está convirtiendo en una forma de defensa de seguridad contra la invasión de un método explicativo que está ganando terreno. Preguntas como "¿Qué es la consciencia?", "¿Tenemos libre albedrío?" o "¿Cómo hacemos razonamientos éticos?" tienen un interés duradero, y dado que los filósofos han conseguido un progreso limitado para contestarlas, los neurocientíficos se han sentido con el margen para intentarlo. Pensar, sentir y decidir son las acciones más íntimas de los humanos, pero aún así apenas las entendemos.

Que los neurocientíficos puedan intentar responder a estas preguntas es consecuencia de avances tecnológicos recientes, entre ellos (pero no exclusivamente) nuevas formas de toma de imágenes del cerebro y el campo emergente de la optogenética. El número de julio y agosto de MIT Technology Review describe esas tecnologías emergentes y explica algunos de los sorprendentes caminos que sugieren. Por último, informamos de las distintas formas de intervención a las que podrían dar lugar las nuevas tecnologías, entre ellas tratamientos para enfermedades mentales sin cura actual como la esquizofrenia, y el uso de interfaces cerebro-máquina para ayudar a pacientes paralíticos.

¿Los filósofos se muestran convencidos por algo de esto? La verdad es que no. Respondiendo a las investigaciones de Gabriel Kreiman sobre la toma de decisiones, la filósofa de la Universidad Johns Hopkins (EEUU) Hilary Bok muestra su reserva: "Me encantan estos experimentos y creo que son muy interesantes, pero no estoy muy convencida de que hayan demostrado algo crucial sobre el libre albedrío". Aún así, se muestran curiosos. La filósofa de la Universidad de California en San Diego (eeuu) Patricia Churchland afirma respecto a estos mismos experimentos "el autocontrol es un fenómeno completamente mental. Dado que el autocontrol es un componente clave del libre albedrío, es que tenemos libre albedrío".

Pero quizá no importe demasiado lo que piensen los filósofos profesionales. Han tenido más de 2.000 años para responder a estas preguntas a su manera. El poder de una explicación es su capacidad para arrojar luz satisfactoriamente sobre algo que hasta el momento estaba oscuro, y permitirnos hacer cosas que antes no podíamos (en este caso tratar enfermedades mentales y construir ortopedia cerebral). En cuanto al importante papel que tiene la filosofía tradicional a la hora de comprender la mente, este podría ser el de proponer preguntas y diseccionar respuestas; y las preguntas que nos hagamos serán más interesantes gracias a los avances conceptuales de la neurociencia.

Escrito por Jason Pontin

sábado, 29 de octubre de 2016

Todo lo que crees saber es incorrecto



Fue recibida como la noticia más importante de la inteligencia artificial desde que Deep Blue derrotara a Gari Kaspárov al ajedrez hace casi 20 años. Google AlphaGo ha ganado tres de los cuatro primeros partidos contra el maestro Lee Sedol en un torneo de Go, lo que demuestra la espectacular mejora de la IA.

viernes, 28 de octubre de 2016

Crean un algoritmo inteligente capaz de colorear imagenes monocromaticas



Investigadores de la Universidad de Waseda en Tokio, capital de Japón, ha desarrollado una inteligencia artificial capaz de colorear fotos en blanco y negro, dándoles un aspecto extremadamente natural, como si se tratase de una fotografía que siempre tuvo color.

domingo, 7 de agosto de 2016

Piensa rápido, robot


Un algoritmo de odometría visual utiliza eventos de cambio de brillo de baja latencia de un sensor dinámico de Vision (DVS) y los datos de una cámara normal para proporcionar valores de brillo absolutos. La fotografía muestra el marco de la cámara, y la foto de la izquierda muestra las actividades de DVS (que se visualiza en rojo y azul), además de la escala de grises de la cámara.


Algoritmo que aprovechan los datos de un nuevo sensor podría hacer que los robots autónomos sean más ágiles.


miércoles, 1 de junio de 2016

Youtuber crea escáner urbano de Half-Life 2 usando un dron


El escáner urbano, también conocido como el “Escáner Tipo 1", es uno de los enemigos más molestos de todo Half-Life 2 y de solo verlo te dan ganas abrir fuego contra el. Ahora un fanático lo ha sacado de la ficción y ha creado su propia réplica usando un dron comercial.

El YouTuber Valplushka, apasionado por los drones, ha usado su ingenio para dar vida a una réplica exacta del escáner urbano de Half-Life 2, y es simplemente genial. El dron no solo vuela y tiene el aspecto de uno de estos vigilantes de la Ciudad 17 en el juego, sino que también mueve sus partes frontales al mismo estilo y cuenta con su “ojo” rojo brillante desde el que vigilaría todo... si estuviera en el mundo de Half-Life.




Para crearlo ha usado partes de varios drones (incluyendo un DJI) y cuatro rotores que soporten su peso. Puede volar hasta por 11 minutos seguidos antes de necesitar recargar su batería. Solo esperemos que se lo envíe de regalo a gabe Newell a ver si así acelera el lanzamiento de ese tercer juego que no debe ser nombrado.




lunes, 29 de febrero de 2016

El robot guepardo del MIT ya corre en libertad



Científicos del MIT acaban de presentar la nueva versión de su robot Cheetah. El pasado año, este guepardo mecánico ya daba sus primeros pasos sobre una cinta transportadora y sujeto a un cable. Ahora ay es capaz de correr libremente y, lo que es mejor, sobrepasar obstáculos y dar unos considerables saltos.

La segunda versión del Cheetah no es el robot cuadrúpedo más rápido. De momento apenas supera los 16 kilómetros por hora (o los 22 km/h con alimentación por cables). Hay otros proyectos como el robot con forma de velociraptor del Instituto Avanzado de Ciencia y Tecnología de Corea del Sur (KAIST) que ya alcanzan los 42 km/h.

En lo que el Cheetah si es único es en un nuevo algoritmo desarrollado por el MIT que controla los movimientos de las patas y calcula en tiempo real la fuerza que debe ejercer cada extremidad en el momento de tocar el suelo. Este algoritmo le permite economizar energía, correr por encima de obstáculos, y saltar obstáculos de hasta 33 centímetros de altura.

El sistema se basa en un motor eléctrico desarrollado por los propios investigadores del MIT en un proyecto que también cuenta con la colaboración de la agencia DARPA. Los científicos confían en poder pulir el sistema para que el robot corra libremente a velocidades de 48 km/h.

sábado, 27 de febrero de 2016

Robonauta 2 recarga pilas por primera vez en gravedad cero


22.08.2011
En su cuenta de Twitter, R2 ha comentado al detalle la operación en la que ha recibido su primera recarga energética a gravedad cero. Además también ha compartido las fotografías de la maniobra a través de Facebook.

Se trata de una operación complicada en la que han tenido que conectar al robot por control remoto desde la Tierra a la fuente de energía.

"¡Estos electrones sientan bien! Un pequeño paso para el hombre, y un gran salto para los hombres de hojalata" ha "escrito" R2 a través de Twitter en cuanto se ha completado la operación.

Hasta ahora, las operaciones de R2 se han visto limitadas al módulo Destiny de la Estación Espacial Internacional (ISS), pero el equipo del robonauta espera que en la Expedición 29 de la ISS los movimientos del robot se extiendan a otras zonas del complejo.

El objetivo principal de R2 es encargarse en un futuro de las posibles reparaciones que necesite la Estación Espacial.

El primer androide en el espacio

En febrero de 2011 R2 se convirtió en el primer robot humanoide en viajar al espacio a bordo del transbordador Discovery.

Este robot puede usar las mismas herramientas que utilizan los humanos y levantar pesos sin problemas. Además puede imitar sin problemas los movimientos de los humanos.

Los movimientos de R2 recuerdan a los androides de ciencia ficción como Terminator o los robots de Battlestar Galáctica, por no mencionar su nombre, similar al popular R2D2 de La Guerra de las Galaxias.

La estancia de R2 en la ISS es indefinida, y de momento no hay fecha de regreso a la Tierra.

miércoles, 24 de febrero de 2016

PlaNet es la nueva inteligencia artificial de Google que identifica dónde tomas tus fotos


Google cada vez aprenderá y sabrá más de nosotros, y deberíamos aceptarlo de una vez.
Su nuevo sistema de inteligencia artificial, llamado PlaNet, está diseñado para identificar exactamente dónde has tomado una fotografía sin que se lo digas, y mientras más la usemos más aprenderá de nosotros y mejorará.

Como reportan desde el MIT Technology Review, la I.A. fue diseñada por un equipo liderado por el experto en informática Tobias Weyand. El funcionamiento de PlaNet es más fácil de entender de lo que imaginamos: simplemente al “ver” una foto la analizará píxel a píxel y comparará sus datos con la enorme base de datos que la respalda, la cual está compuesta actualmente por más de 90 millones de fotografías geoposicionadas, y este número no hará más que crecer en el futuro.

Al comparar patrones, detalles y referencias en la imagen que analice logrará identificar la ubicación en la que fue capturada la foto con una precisión impresionante. Durante sus primeras pruebas, cuando la base de datos solamente contaba con 2.3 millones de imágenes, logró identificar el país de origen donde fue tomada la foto en un 28.4% de los casos, y el continente en un 48%. Ahora, con 90 millones de imágenes de respaldo, los números prometen ser mucho mayores.

Todavía no hay planes exactos de que este sistema escape de los laboratorios de Google y llegue a formar parte de alguno de sus productos, pero sin duda que ese día llegará, y más nunca podremos disimular que estamos en un lugar falso en nuestras fotos de Instagram. [vía MIT Technology Review]

La inteligencia artificial resolverá estos grandes problemas de la humanidad



La inteligencia artificial (IA) resolverá tarde o temprano los grandes problemas del mundo… pero se necesitarán humanos inteligentes para lograrlo.

Quoc Le, ingeniero de software de Google Brain, es uno de ellos.

Google Brain se centra en el "aprendizaje profundo", parte de la inteligencia artificial. La concibe como una clase sofisticada de aprendizaje mecánico, como la ciencia de lograr que las computadoras aprendan a través de los datos.

El aprendizaje profundo usa varias capas de algoritmos (llamadas redes neurales) para procesar imágenes, texto y sentimientos de forma rápida y eficiente.

La idea es que las máquinas puedan llegar a tomar decisiones como lo hacen los humanos. Sin embargo, aún estamos lejos de ese punto, según un texto que Andrew Ng, cofundador de Google Brain, publicó recientemente en el sitio web Quora.

Google Brain inició operaciones en 2011 y originalmente era una iniciativa de la hermética y futurista división Google X. Ahora ha evolucionado y es parte del departamento de investigación de la empresa. Aunque Google publica investigaciones de Brain, se sigue reservando la estructura organizacional del equipo. Google no revela cuántas personas forman parte del equipo actualmente y argumenta que los equipos son cambiantes.

Le, de 34 años, tiene un doctorado en Ciencias Computacionales por la Universidad de Stanford, Estados Unidos, y ha estado trabajando en Google Brain desde hace cuatro años y medio.

"Hay pocas personas en el mundo que de verdad entienden cómo hacer que las máquinas aprendan y piensen", dijo Le, originario de Vietnam. "El aprendizaje profundo sigue siendo nuevo".

Pero conforme se desarrolla el aprendizaje profundo, la gente se emociona cada vez más por su potencial para resolver grandes problemas como la educación o el cambio climático. Por ejemplo: a través de sensores remotos, se puede dar seguimiento a información ambiental de todo el mundo.

En este momento, esa información sigue sin procesarse en gran medida, pero el aprendizaje profundo podría servir para entender patrones y dar soluciones.

"Confío en que el aprendizaje profundo no se estancará en el futuro cercano y que seguirá creciendo rápidamente", escribió Ng en Quora. Ng ahora trabaja como jefe de científicos en Baidu.

Alphabet, la empresa matriz de Google, integró tecnología de Google Brain en algunos de sus servicios: tecnología de reconocimiento del habla en sus sistemas operativos Android y capacidades mejoradas de búsqueda de fotos que surgieron en Brain.

Google abrió el acceso de TensorFlow, su código de aprendizaje profundo, en un intento por acelerar el desarrollo de la inteligencia artificial. En 2014 compró DeepMind Technologies por 650 millones de dólares en un intento por reforzar su departamento de IA.

Según el sitio CB Insights, las empresas emergentes que trabajan en el aprendizaje profundo y en la inteligencia artificial, han recaudado más de 950 millones de dólares en los pasados cinco años.

Olcan Sercinoglu, exmiembro de Google Brain, dirige una de ellas. Sercinoglu es ingeniero de software y dejó Google Brain en 2014 para fundar Scaled Interference, empresa que busca que el aprendizaje mecánico llegue al público en general gracias al softwareinteligente. Aún no pone a la venta su producto, pero a unos meses de incorporarse, Sercinoglu recaudó 13.6 millones de dólares de parte de inversionistas como Tencent Holdings, SV Angel y Khosla Ventures.

El atribuye a Google Brain (que es famosa por su trabajo de vanguardia) el haber podido cerrar una ronda tan exitosa.

"Creo que el haber trabajado en Google Brain fue un factor muy importante", dijo; agregó que el aprendizaje profundo y las redes neurales son solo un aspecto de la tecnología que su empresa está desarrollando.

Sercinoglu tiene 34 años y pasó casi un año trabajando en el equipo de Google Brain, aunque estuvo casi 10 años en otros departamentos de Google. Hizo una pasantía en la empresa en 2001 al mando de Jeff Dean. Dean, investigador sénior de Google, era uno de los investigadores originales del equipo de Google Brain.

miércoles, 17 de febrero de 2016

El cerebro tiene tanta capacidad de memoria como toda la Internet


Científicos de EE.UU. han determinado, midiendo con precisión el tamaño de las sinapsis neuronales, que la capacidad de memoria del cerebro es 10 veces mayor de lo que se creía, y está en niveles de petabyte, es decir, Internet entera. El descubrimiento podría abrir la vía de supercomputadores precisos y de bajo consumo.

Aprender idiomas depende de una mayor coneccion entre areas del cerebro



Un estudio realizado en Canadá ha revelado que de la fuerza de las conexiones entre diversas áreas cerebrales puede depender nuestra habilidad para aprender nuevos idiomas. Demuestra que habría una capacidad innata en este sentido, aunque los científicos señalan que es una capacidad que se puede desarrollar aunque no se tenga, gracias a la plasticidad cerebral. Por Sandra Romero.

Como todos sabemos, aprender varios idiomas no es tarea fácil. Y como aliciente, para algunas personas es más difícil que para otras según sus las conexiones de su cerebro.


Las diversas regiones de nuestro cerebro se comunican entre sí, incluso cuando estamos descansando y no se dedican a ninguna tarea u obligación. Según un estudio publicado el 20 de enero en la revista Journal of Neuroscience, la conectividad varía de una persona a otra y este comportamiento se ha visto relacionado con la capacidad lingüística que tienen para desarrollar otras lenguas.



Chai y Denise Klein, investigadores de la Universidad McGill, exploraron si las diferencias en la conectividad en estado de reposo se relacionan con el desempeño de un segundo idioma.



Regiones cerebrales implicadas



Para estudiar esto en profundidad, junto a un grupo de expertos del Instituto Neurológico de Montreal, escanearon los cerebros de 15 adultos que estaban a punto de comenzar una de las doce semanas de un curso intensivo de francés. Así, pudieron comparar los resultados de los escáneres y los cerebros de los participantes con sus habilidades lingüísticas adquiriendo una lengua nueva.



Los resultados obtenidos mostraron la importancia de las conexiones en el aprendizaje de un nuevo idioma. Más concretamente, entre las habilidades lingüísticas y la fuerza de las conexiones entre diversas áreas del cerebro y dos regiones específicas del lenguaje: una región implicada en la fluidez verbal llamada ínsula anterior izquierda/opérculo frontal (AI/FO, por sus siglas en inglés); y otra vinculada a la velocidad de lectura de los participantes (el área visual de formación de palabras o VWFA, por sus siglas en inglés), de la que ya hemos hablado en otras ocasiones en Tendencias21 .



Se puede modelar el cerebro



Para poner a prueba la fluidez verbal de los participantes, los investigadores les pidieron que hablaran durante dos minutos en francés (contaron sólo el número de palabras que se dijeron correctamente).



Para probar la velocidad de lectura, los científicos hicieron que los participantes leyeran textos en francés en voz alta, calculando así el número de palabras leídas por minuto.



El resultado de la prueba demostró que aquellos participantes con conexiones más fuertes en la AI/FO presentaban una superioridad en la prueba de habla. Los participantes con mayor conectividad en la VWFA, por su parte, mostraron una mayor mejoría en la velocidad de lectura.



Sin embargo, señalan los científicos, esto no significa que el éxito de aprender una segunda lengua esté totalmente predeterminado por las conexiones del cerebro. El cerebro es muy complejo y se va desarrollando a lo largo de nuestra vida, lo que supone que podemos ir moldeándolo con aprendizaje y experiencia.



Por ejemplo, hoy se sabe que se puede mejorar el aprendizaje de otros idiomas usando varios sentidos o que, en niños pequeños, la educación musical puede potenciar el aprendizaje de la lectura y de la escritura. En la dirección contraria, se sabe que aprender idiomas puede aumentar el tamaño de nuestro cerebro.



Referencia bibliográfica:



X. J. Chai, J. A. Berken, E. B. Barbeau, J. Soles, M. Callahan, J.-K. Chen, D. Klein. Intrinsic Functional Connectivity in the Adult Brain and Success in Second-Language Learning. Journal of Neuroscience (2016). DOI: 10.1523/JNEUROSCI.2234-15.2016.

Las células en nuestro cuerpo colaboran y actuan de forma colectiva


Las células interpretan las señales químicas de forma colectiva, lo que aumenta enormemente su precisión. Con esa información, deciden adónde moverse. Eso sí, la precisión sigue estando limitada en el espacio y el tiempo. Además, las células se comunican solo con las que están pegadas a ellas.
Para decidir si moverse, y adónde dentro del cuerpo, las células deben leer las señales químicas de su entorno. Las células individuales no actúan solas durante este proceso, según dos nuevos estudios con tejido mamario de ratón. En lugar de eso, las células toman decisiones colectivamente después de intercambiar información sobre los mensajes químicos que están recibiendo.



"Las células hablan a las células cercanas y comparan sus notas antes de tomar una decisión", dice Ilya Nemenman, biofísico teórico de la Universidad Emory (Atlanta, EE.UU.) y coautor de ambos estudios, publicados por Proceedings of the National Academy of Sciences (PNAS). También han participado científicos de la Universidad Johns Hopkins (Maryland), Yale (Connecticut) y Purdue (Indiana).




Los investigadores descubrieron que el proceso de comunicación celular funciona de manera similar al juego del teléfono escacharrado. "Cada célula habla sólo con su vecina", explica Nemenman en la información de Emory. "Una célula en la posición 1 sólo habla con una célula en la posición 2. Así que la 1 necesita comunicarse con 2 si quiere obtener información de la célula 3".




Y al igual que en el juego de teléfono -en el que una fila de gente susurra un mensaje a la persona de al lado- el mensaje original empieza a distorsionarse a medida que viaja por la línea. Los investigadores encontraron que, en el caso de las células de sus experimentos, el mensaje comienza a ser ilegible después de pasar a través de unas cuatro células, por un factor de aproximadamente 3.




"Construimos un modelo matemático para esta transmisión lineal de información celular y derivamos una fórmula para conseguir la mejor precisión posible", dice Nemenman. "La migración celular dirigida es importante en procesos como el cáncer o el desarrollo de los órganos y tejidos. Otros investigadores podrían aplicar nuestro modelo más allá de la glándula mamaria de ratón y analizar fenómenos similares en una amplia variedad de sistemas sanos y enfermos".




Por lo menos desde 1970, y el trabajo fundamental realizado entonces por Howard Berg y Ed Purcell, los científicos han estado tratando de entender en detalle cómo deciden tomar una acción las células basándose en señales químicas. Todas las células de un cuerpo tiene el mismo genoma, pero pueden hacer cosas diferentes e ir en direcciones diferentes porque miden diferentes señales químicas en su entorno. Esas señales químicas se componen de moléculas que se mueven aleatoriamente a su alrededor.




"Las células pueden detectar no sólo la concentración precisa de una señal química, sino las diferencias de concentración", dice Nemenman. "Eso es muy importante porque para saber en qué dirección moverse, una célula tiene que saber en qué dirección es mayor la concentración de la señal química. Las células detectan este gradiente, que les da una referencia de la dirección en que moverse y crecer".




Berg y Purcell descubrieron el mejor margen posible de error -el límite de detección- para tal detección por gradiente. Durante los siguientes 30 años, los investigadores han establecido que muchas células diferentes, de muchos organismos diferentes, trabajan en este límite de detección. Las células vivas pueden detectar sustancias químicas mejor que cualquier dispositivo hecho por el hombre.




No se sabía, sin embargo, que las células pudieran detectar señales y tomar decisiones de movimiento colectivamente.




"Las investigaciones anteriores se han enfocado normalmente en células cultivadas", dice Nemenman. "Y cuando cultivas células, lo primero que desaparece es la interacción célula a célula. Las células ya no son un tejido en funcionamiento, sino un cultivo de células individuales, por lo que es difícil estudiar muchos efectos colectivos".

Artículos



El primer artículo de PNAS surgió de técnicas de microfluidos en tres dimensiones, del laboratorio de la Universidad de Yale de Andre Levchenko, un ingeniero biomédico que estudia cómo navegan las células; de la investigación sobre el tejido mamario de ratón en el laboratorio en la Universidad Johns Hopkins de Andrew Ewald, un biólogo centrado en los mecanismos celulares del cáncer; y de los métodos de cuantificación de Nemenman, que estudia la física de sistemas biológicos, y Andrew Mugler, un ex becario posdoc en el laboratorio de Nemenman en Emory, que ahora tiene su propio grupo de investigación en Purdue.




Los microfluidos en 3D permitieron a los investigadores experimentan con organoides funcionales o grupos de células. El método no interrumpe la interacción de las células. Los resultados mostraron que el factor de crecimiento epidérmico, o EGF, es la señal que siguen estas células, y que las células no tomaban decisiones sobre qué camino tomar como individuos, sino colectivamente.




"Los grupos de células, trabajando en conjunto, podían detectar diferencias increíblemente pequeñas en los gradientes de concentración -tales como 498 moléculas de EGF en comparación con 502 moléculas- en diferentes lados de una sola célula", dice Nemenman. "Esa precisión es mucho mejor que el mejor margen posible de error determinado por Berg y Purcell, aproximadamente más o menos 20. Incluso en estos pequeños gradientes de concentración, los organoides comienzan a remodelarse y moverse hacia la mayor concentración. Estas células no son sólo detectores óptimos de gradientes. Parecen súperóptimos, desafiando las leyes de la naturaleza".




La comunicación celular colectiva aumenta su precisión en la detección, convirtiendo una línea de cerca de cuatro células en una sola unidad de medición superprecisa.




En el segundo artículo de PNAS, Nemenman, Mugler y Levchenko observaron los límites de la precisión en la detección colectiva de gradientes no sólo espacialmente, sino a lo largo del tiempo. "Planteamos la hipótesis de que si las células seguían comunicándose entre sí durante horas o días, y seguían acumulando información, la precisión podría ir más allá de cuatro células", dice Nemenman. "Sorprendentemente, sin embargo, este no era el caso. Hemos encontrado que siempre hay un límite en lo lejos que puede viajar la información en estos sistemas celulares sin ser ilegible".




Juntos, los dos artículos ofrecen un modelo detallado para la detección colectiva celular de gradientes, verificado con experimentos en organoides mamarios de ratón. El modelo colectivo expande los resultados clásicos de Berg-Purcell sobre la mejor precisión posible de una célula individual, que se mantuvo durante casi cuarenta años. La nueva fórmula cuantifica las ventajas y limitaciones adicionales en la precisión de las células que trabajan colectivamente.




"Nuestros hallazgos no son sólo intelectualmente importantes. Ofrecen nuevas formas de estudiar muchos procesos de desarrollo normales y anormales", dice Nemenman.




Referencias bibliográficas:




David Ellison, Andrew Mugler, Matthew D. Brennan, Sung Hoon Lee, Robert J. Huebner, Eliah R. Shamir, Laura A. Woo, Joseph Kim, Patrick Amar, Ilya Nemenman, Andrew J. Ewald, y Andre Levchenko: Cell–cell communication enhances the capacity of cell ensembles to sense shallow gradients during morphogenesis. PNAS (2016). DOI: 10.1073/pnas.1516503113.




Andrew Mugler, Andre Levchenko, y Ilya Nemenman: Limits to the precision of gradient sensing with spatial communication and temporal integration. PNAS (2016). DOI: 10.1073/pnas.1509597112.

martes, 16 de febrero de 2016

Mueve los dedos por separado en tu protesis


La Ingenieria médica de EE.UU. ha conseguido que una persona mueva los dedos por separado con una prótesis robótica controlada por la mente. Hasta ahora, las prótesis de este tipo movían los dedos en 'garra', como cogiendo una pelota de tenis.

viernes, 12 de febrero de 2016

Quo vadis axón?


Mientras espero el metro, me doy cuenta de que algo está mal en el suelo del andén. El patrón de las baldosas de gres oscuras, lisas, está interrumpido a metro y medio del borde por una línea de baldosas blancas con surcos que discurre paralela al andén. Luego vuelven las baldosas lisas hasta el borde, donde hay un par de bandas de goma. No tienen ningún sentido esas baldosas blancas, es un cambio estético absurdo. Un cambio que se repite en todas las estaciones.

Aún no ha venido el metro pero sigue llegando gente: escucho el sonido del bastón de un ciego que acaba de bajar al andén. Sin apoyarse en la pared, el hombre va por el centro del andén deslizando la punta de su bastón de un lado a otro por las baldosas oscuras. El hombre no camina completamente paralelo a la vía y poco a poco su trayectoria lo acerca hacia el borde. Antes de que pueda avisarle, en una de las oscilaciones la punta del bastón pasa por el patrón irregular de las baldosas blancas con surcos. El ciego corrige su trayectoria.
Dibujo de Ramón y Cajal de las células de la retina de los mamíferos. La retina de los mamíferos, Madrid, 1900. Instituto Ramón y Cajal CSIC, Madrid.Dibujo de Ramón y Cajal de las células de la retina de los mamíferos. La retina de los mamíferos, Madrid, 1900. Instituto Ramón y Cajal CSIC, Madrid.

Durante el desarrollo de un organismo, las células se multiplican y migran hasta crear un ser vivo totalmente funcional. Las células epiteliales crecen formando vasos sanguíneos, que también están acompañados de capas musculares. Hay huesos, células inmunitarias, un sistema nervioso y otro linfático. Todas las células proliferan y migran, pero hay un sistema en el que eso no basta para hacerlo funcionar: el sistema nervioso. Hace falta algo más. Un fenómeno tan complejo como los dos anteriores pero específico de este sistema: hay que conectar los cables. Son necesarios los procesos de guía axonal.


Aunque solo representan el diez por ciento de las células del sistema nervioso, las neuronas son las encargadas de transmitir la información, procesarla y generar una respuesta. Para ello, estas células se encuentran conectadas entre sí o con otros tejidos gracias a unos cables: los axones. Los axones son prolongaciones alargadas de la neurona que van desde su cuerpo celular, o soma, hasta el sitio donde se conectan, también llamado tejido diana. Si agrupamos muchos de estos axones juntos tenemos un nervio, que veces conectan partes muy lejanas del cuerpo humano, como por ejemplo la punta de los dedos de un feto en desarrollo y su médula espinal. Así que a veces el axón tiene que recorrer bastantes centímetros de distancia. Hay que admitir que es un recorrido largo para una prolongación de tamaño celular. Y sin embargo, normalmente llega bien a su destino.

Neuronas cerebrales de ratón donde se ha utilizado la técnica Brainbow para marcar individualmente las neuronas con distintos colores.Neuronas cerebrales de ratón donde se ha utilizado la técnica Brainbow para marcar individualmente las neuronas con distintos colores.
Esto es debido a que los procesos de guía axonal se encuentran altamente regulados. Son tan importantes en la formación de un sistema nervioso que muchos de los mecanismos moleculares implicados están conservados evolutivamente tanto en vertebrados como en invertebrados. Además, para poder crecer siguiendo todas las señales moleculares que le dicen al axón hacia dónde ir, este desarrolla en su extremo una estructura llamada cono de crecimiento, que se desplaza a través de los tejidos siguiendo las señales de guía axonal.


El cono de crecimiento es ciego. No ve hacia donde va. Pero puede detectar las señales de guía axonal que le envían los tejidos. Para ello, genera en todas direcciones microprolongaciones que palpan el terreno y que se encargan de percibir las señales, ya sean moléculas sueltas o ancladas al tejido. Estas señales pueden ordenarle al cono de crecimiento dos cosas: sigue adelante, señal atractiva, o no sigas, señal repulsiva. Y de hecho, los conos de crecimiento suelen recibir continuamente ambas señales con diferente intensidad desde distintas posiciones espaciales. Es toda esta información la que guía con precisión al axón durante su crecimiento.

Experimento in vitro donde el cono de crecimiento es atraído, y posteriormente repelido, por la molécula Netrina1 (que se introduce al medio por una pipeta cuyo extremo es la punta gris en la parte superior de las imágenes). En las primeras imágenes se ve como inicialmente el cono de crecimiento se mueve hacia la fuente de Netrina1. Sin embargo, cuando se aproxima demasiado a la punta, la elevada concentración de Netrina1 en esa zona repele al cono de crecimiento (imágenes inferiores).Experimento in vitro donde el cono de crecimiento es atraído, y posteriormente repelido, por la molécula Netrina1 (que se introduce al medio por una pipeta cuyo extremo es la punta gris en la parte superior de las imágenes). En las primeras imágenes se ve como inicialmente el cono de crecimiento se mueve hacia la fuente de Netrina1. Sin embargo, cuando se aproxima demasiado a la punta, la elevada concentración de Netrina1 en esa zona repele al cono de crecimiento (imágenes inferiores).
Una vez se ha establecido el cableado, será el uso de las conexiones lo que determine si estas serán reforzadas con el tiempo o no. Esto es tan importante que a veces a los procesos de guía axonal les sigue directamente un cribado de las conexiones. Uno de los ejemplos más claros es la poda neuronal que se produce cuando tenemos entre diez-doce años de edad. La poda neuronal consiste en reforzar las conexiones neuronales que más hemos estado utilizando hasta el momento y desechar gran parte de las otras restantes, que apenas han tenido uso. Tras esto, el cerebro del niño es más robusto, pero ya no es tan plástico como una esponja que lo absorbe todo.


Afortunadamente, incluso un cerebro maduro es todavía un órgano bastante plástico que continuamente necesita generar nuevas conexiones según vamos aprendiendo. Esto hace que los procesos de guía axonal nos acompañen desde nuestro origen hasta nuestras últimas experiencias.



Este post ha sido realizado por el Dr. Pablo José Barrecheguren Manero (@pjbarrecheguren) y es una colaboración deNaukas con la Cátedra de Cultura Científica de la UPV/EHU.



Referencias:



Ming, G. L., Song, H. J., Berninger, B., Holt, C. E., Tessier-Lavigne, M., & Poo, M. M. (1997). cAMP-dependent growth cone guidance by netrin-1. Neuron, 19(6), 1225–1235.



Raper, J., & Mason, C. (2010). Cellular strategies of axonal pathfinding. Cold Spring Harbor Perspectives in Biology, 2(9), a001933.



Smith, S. J. (2007). Circuit reconstruction tools today. Current Opinion in Neurobiology, 17(5), 601–8.



Song, H., & Poo, M. (2001). The cell biology of neuronal navigation. Nat Cell Biol, 3(3), E81–8.


domingo, 14 de junio de 2015

El algoritmo secreto de la "Ola"


Científicos húngaros y alemanes publicarón en 2003 un estudio que paso desapercibido para la comunidad y hoy es reflotado en este blog. Los especialistas filmaron decenas de “olas” en los estadios de fútbol y aplicaron un análisis de la propagación de ondas a partir de una perturbación inicial. Lo sorprendente de la cuestión es que se trata de un comportamiento sencillo, espontáneo y reproducible, de una situación en la cual miles de personas consiguen un alto grado de coordinación y cooperación para lograr un objetivo sencillo, sin acuerdo previo.
El estudio divide al fenómeno en dos fases:



1. el inicio de la ola (perturbación), en el cual un número reducido de personas se levantan en forma simultánea




2. la de propagación.




La fase inicial fue analizada en el programa Brainiacs, en donde evaluaron in situ la cantidad mínima de personas necesarias para que la perturbación sea suficiente para dar inicio a la segunda fase. Algunos datos interesantes del estudio son:


1. Estado o “humor” de la multitud: la gente debe estar en una situación intermedia, sentados pero en un estado excitable como para responder a la perturbación.



2. La propagación se inicia hacia ambos lados pero solo “sobrevive” hacia un solo lado (quiebre de la simetría espontánea). Los elementos hallados para explicar el fenómeno son dos: la naturaleza asimétrica de la percepción humana y una tendencia a la propagación en el sentido de las agujas del reloj (en el 75% de los casos). Agrego esta pregunta: los estudios fueron hechos en el hemisferio norte. ¿Será al revés en el sur?




3. La velocidad de propagación se mantiene sorprendentemente lineal.




para entender mejor el concepto desarrollaron un algoritmo de simulación:

Imagen animada de un fragmento de la simulación

Simulación a gran escala de la propagación de la “ola”

El estudio utiliza modelos que se interrelacionan con casos específicos como la propagación de incendios forestales o el crecimiento de tejidos orgánicos. De la misma manera, los resultados son aplicables a situaciones de desplazamiento de personas, como las estaciones de trenes, e incluso para modelos de propagación de información o memes.




Existe en un simulador en linea donde probar alteraciones del fenomeno

domingo, 12 de abril de 2015

30 años de demora


La compañía estadounidense Cycorp ha mantenido en secreto desde 1984 un proyecto para la creacion de una mente artificial llamado "CYC".


Se trata de un proyecto que se comprende básicamente de software, que crece a cada día que pasa. Con el tiempo se ha creado un ordenador que puede entender la información no explícita en la conversación, de ahí que sus creadores aseguren que puede "leer entre líneas".

Para entender este concepto hay que ponerse en la piel (o el fuselaje) de un ordenador. Cuando a un ordenador se le transmite la información "John mató a Susan, y ha sido condenado a 20 años de cárcel", el ordenador interpreta dos datos: "John mató a Susan" y "John pasará 20 años en la cárcel".

Por otra parte, si a Cyc se le introduce esta información, debería ser capaz de extraer muchos más datos, como "Susan ha fallecido", "John fue detenido y juzgado"... datos que un humano podría deducir con facilidad, y que hasta ahora eran imposibles de extraer para un ordenador.

Doug Lenat, presidente y CEO de Cycorp declaraba: "si los ordenadores actuales fueran humanos, parecerían autistas, esquizofrénicos o inestables. No sería recomendable dejarlos al cargo de niños o cocinar comidas, pero se espera que en un futuro sirvan como robots en los hogares".

Aunque Cyc tampoco está acabado, actualmente se usa para enseñar a los chicos matemáticas en el colegio. Ahora solo queda esperar para que la tecnología presente en Cyc se añada a los dispositivos inteligentes que ya existen, e ir haciendo que Siri y Cortana sean aún más listas.

viernes, 27 de marzo de 2015

Inteligencia Colectiva


Dos proyectos, uno europeo y otro estadounidense, muestran cómo la robótica se puede aprovechar de la informática en la nube para acelerar el aprendizaje de las máquinas

martes, 24 de marzo de 2015

Estimulación inalámbrica del tejido cerebral


Unos investigadores han desarrollado un método para estimular tejido cerebral utilizando campos magnéticos externos y nanopartículas magnéticas inyectadas, una técnica que permite la estimulación directa de las neuronas, la cual podría ser una vía de tratamiento eficaz para una serie de enfermedades neurológicas, sin la necesidad de implantes o conexiones externas.


Iniciativas previas de estimulación el cerebro utilizando pulsos de electricidad han demostrado ser efectivas a la hora de reducir o eliminar temblores asociados a la enfermedad de Parkinson, pero el tratamiento, del modo en que se lleva a la práctica, ha seguido siendo un último recurso, ya que requiere implantar cables invasivos que se conectan a una fuente energética fuera del cerebro. 



En el futuro, la técnica creada por el equipo de Polina Anikeeva y Ritchie Chen, del Instituto Tecnológico de Massachusetts (MIT) en Estados Unidos, podría proporcionar un medio exento de implantes para permitir la estimulación cerebral y para cartografiar sectores del cerebro.



En su estudio, el equipo inyectó partículas magnéticas de óxido de hierro de apenas 22 nanómetros de diámetro en el cerebro. Al ser expuestas a un campo magnético alterno externo, que puede penetrar en el interior de los tejidos biológicos, estas partículas se calientan rápidamente.

Las imágenes muestran una entrada de iones de calcio en las neuronas como resultado de una excitación magnetotérmica mediante campos magnéticos en presencia de nanopartículas magnéticas. (Imágenes: Cortesía de los investigadores)
El incremento de temperatura local resultante puede entonces llevar a la activación neural, al activarse los receptores de capsaicina, sensibles al calor, las mismas proteínas que utiliza el cuerpo para detectar tanto el calor real como el “calor” de los alimentos picantes. La capsaicina es la sustancia química que hace picantes a los pimientos.

domingo, 15 de febrero de 2015

Un club australiano apuntando a las estrellas


Rubén Kent, estudiante de arquitectura naval en el Australian Maritime College de la Universidad de Tasmania, tiene una visión.
Él quiere construir robots que pueden viajar 1.200.000.000 kilometros a través de nuestro sistema solar para explorar los lagos en las lunas saturnales de Titán y Encelado.

miércoles, 4 de febrero de 2015

Cae otro bastion de la superioridad humana


Uno de los últimos bastiones de la superioridad humana sobre los ordenadores está a punto de caer a manos de los implacables algoritmos de aprendizaje automático
Los ordenadores empiezan a funcionar mejor que los humanos en prácticamente todos los campos. Por ejemplo, los expertos en visión automática revelaron hace poco un algoritmo que es mejor que los humanos a la hora de reconocer caras. Empieza a haber algoritmos de este tipo con la misma capacidad que los humanos para reconocer objetos. Y los ajedrecistas hace tiempo que se rindieron en la lucha contra los ordenadores.



Pero existe un campo en el que los humanos aún triunfan y es en el antiguo juego chino del Go. Los ordenadores nunca han llegado a dominar este juego. Los mejores algoritmos sólo logran el nivel de un buen aficionado al que los mejores jugadores humanos superan con facilidad.




Sin embargo, parece que eso va a cambiar gracias al trabajo de Christopher Clark y Amos Storkey en la Universidad de Edimburgo (Reino Unido). Estos investigadores han aplicado las mismas técnicas de aprendizaje automático que han transformado los algoritmos de reconocimiento facial al problema de encontrar la próxima jugada en una partida de Go. Y sus resultados dan pocas esperanzas a la continuidad del dominio humano en este juego.




En pocas palabras, el Go es un juego para dos jugadores que se suele jugar sobre un tablero de 19 x 19 casillas. Los jugadores se turnan para colocar piedras blancas y negras en las casillas con el objetivo de haber ocupado un espacio mayor que su oponente cuando acaba la partida. Los jugadores pueden eliminar las piedras del contrario rodeándolas con las propias.




Los expertos creen que hay dos motivos por los cuales los ordenadores no han conseguido dominar el Go. El primero es la tremenda cantidad de movimientos posibles en cada fase del juego. Los jugadores de Go tienen 19 x19 = 361 posibles movimientos de apertura y suele haber cientos de movimientos posibles en cualquier punto del juego. En comparación, la cantidad de movimientos posibles en el ajedrez suele ser de 50.




El segundo problema es que a los ordenadores les cuesta evaluar los puntos fuertes y débiles de una posición de juego. En el ajedrez basta con sumar el valor de cada pieza que sigue sobre el tablero para tener una idea razonable de la fuerza de la posición de un jugador. Pero eso no funciona con el Go. "Contar la cantidad de piedras que tiene cada jugador no es un buen indicador de quién va ganando", afirman Clark y Storkey.




Los algoritmos más avanzados para el análisis del Go abordan este problema jugando toda la partida después de cada movimiento de muchas formas distintas. Si el ordenador gana la mayoría de estas partidas, entonces se considera que la jugada es buena.




Claramente se trata de una tarea que lleva mucho tiempo y necesita bastante potencia computacional. Aún así no suele servir para ganar a los expertos humanos en Go que valoran el estado de un tablero de Go con un simple vistazo.




Muchos expertos creen que el secreto para dominar el juego del Go es el reconocimiento de patrones, la capacidad de detectar puntos fuertes y débiles basándose en la forma que adoptan las piedras y no pensando en varias jugadas posibles.




Por eso los avances recientes en algoritmos de patrones de reconocimiento podrían ayudar a los ordenadores a hacer este trabajo mucho mejor. Estos avances han usado enormes bases de datos de imágenes para entrenar redes neuronales convolucionales de aprendizaje profundo a reconocer objetos y caras con una precisión comparable a la de los humanos. Así pues, resulta razonable imaginar que este mismo enfoque serviría para cambiar mucho las cosas en la evaluación automática de los tableros de Go.




Y eso es exactamente lo que han hecho Clark y Storkey. Han entrenado a una red neuronal convolucional para responder a la siguiente pregunta: Partiendo de una imagen de una partida de Go entre dos expertos, ¿se puede predecir la próxima jugada?




Han abordado el problema usando una vasta base de datos de partidas de Go para entrenar a una red neuronal para que encuentre el siguiente movimiento. Clark y Storkey usaron más de 160.000 partidas entre expertos para generar una base de datos de 16.5 millones de posiciones junto con su siguiente jugada. Usaron casi 15 millones de estas parejas de posición-jugada para entrenar a una red neuronal convolucional de ocho capas para reconocer qué jugada harían los jugadores expertos. Este proceso llevó varios días.




Después usaron el resto de datos de la serie para poner a prueba la red neuronal. Es decir: presentaron a la red una posición de una partida y le pidieron que escogiera la siguiente jugada. Clark y Storkey afirman que la red entrenada así es capaz de predecir la siguiente jugada un 44% de las veces, "superando a los mejores programas anteriores para esta tarea por un margen significativo".




Eso es interesante para empezar porque el nuevo enfoque no usa ninguna de las jugadas anteriores para tomar su decisión y tampoco evalúa posiciones futuras.




Una vez entrenada la red neuronal, Clark y Storkey la hicieron jugar contra dos de los mejores algoritmos para jugar al Go que existen. El primero se llama GNU Go, que juega a un nivel equivalente a un amateur intermedio con un nivel de 6-8 kyu. (Los niveles de Go van desde principiante, con una puntuación de 30-20 kyu, a experto profesional, con un nivel de 1 kyu).




El segundo es el mejor programa que existe, llamado Fuego 1.1. que tiene un nivel de aproximadamente 5-4 kyu. Un jugador humano tiene que estudiar muchos años para alcanzar este nivel.




Los resultados sugieren claramente que a los jugadores humanos de Go se les está acabando el monopolio. La red neuronal de Clark y Storkey ganó a GNU Go casi el 90% de las veces en una serie de 200 partidas. Es decir: tras apenas unos días de entrenamiento, la red neuronal podía ganar a GNU Go con consistencia.




Contra Fuego 1.1 le fue peor, ya que ganó un poco más del 10% de sus partidas. Sin embargo, es un logro importante. "Poder ganar aunque solo fuera unas cuantas partidas contra este contrincante significa que había adquirido alto nivel de habilidad", afirman Clark y Storkey.




Algo claramente prometedor. "A pesar de que las redes juegan con una política de 'búsqueda de jugadas futuras cero' y una fracción del tiempo de computación del que usan sus contrincantes, juegan mejor que GNU Go y consiguen ganarle algunas partidas a Fuego", afirman.




Y hay un claro margen para mejorar, al combinar por ejemplo este enfoque con otros que sí usan movimientos previos y futuros. Una idea sugerida por Clark y Storkey es ejecutar la red neuronal convolucional en paralelo con el método convencional para poder sacarle todo el jugo a los posibles movimientos a explorar.




Clark y Storkey no sugieren en ningún momento que este método pueda ganar a los mejores jugadores de Go del mundo. Pero seguro que sólo es cuestión de tiempo que los jugadores de Go tendrán que inclinarse ante sus señores informáticos.




Ref: arxiv.org/abs/1412.3409: Enseñar a Redes Neuronales Convolucionales de Aprendizaje Profundo a Jugar al Go