La vida, desde la perspectiva de la termodinámica, es un sistema fuera de equilibrio, que resiste tendencias a aumentar sus niveles de desorden. En tal estado, la dinámica es irreversible en el tiempo. Este vínculo entre la tendencia al desorden y la irreversibilidad es expresado como la flecha del tiempo por el físico inglés Arthur Eddington en 1927.
Ahora, un equipo internacional que incluye investigadores de la Universidad de Kioto, la Universidad de Hokkaido y el Centro Vasco de Matemáticas Aplicadas, ha desarrollado una solución para la asimetría temporal, mejorando nuestra comprensión del comportamiento de los sistemas biológicos, el aprendizaje automático y las herramientas de IA.
« El estudio ofrece, por primera vez, una solución matemática exacta de la asimetría temporal, también conocida como producción de entropía, de las redes de Ising desordenadas sin equilibrio », dice el coautor Miguel Aguilera del Centro Vasco de Matemáticas Aplicadas.
Los investigadores se centraron en un prototipo de redes complejas a gran escala llamado modelo Ising, una herramienta utilizada para estudiar neuronas conectadas de forma recurrente. Cuando las conexiones entre las neuronas son simétricas, el modelo de Ising se encuentra en un estado de equilibrio y presenta estados desordenados complejos llamados vasos giratorios. La solución matemática de este estado llevó a la concesión del Premio Nobel de Física 2021 a Giorgio Parisi.
Sin embargo, a diferencia de los sistemas vivos, los cristales de espín están en equilibrio y su dinámica es reversible en el tiempo. En cambio, los investigadores trabajaron en la dinámica de Ising irreversible en el tiempo causada por conexiones asimétricas entre neuronas.
Las soluciones exactas obtenidas sirven como puntos de referencia para desarrollar métodos aproximados para el aprendizaje de redes neuronales artificiales. El desarrollo de métodos de aprendizaje utilizados en múltiples fases puede hacer avanzar los estudios de aprendizaje automático.
« El modelo de Ising respalda los avances recientes en el aprendizaje profundo y las redes neuronales artificiales generativas. Por lo tanto, comprender su comportamiento ofrece información crítica sobre la inteligencia biológica y artificial en general », agregó Hideaki Shimazaki en la Escuela de Graduados en Informática de KyotoU.
« Nuestros hallazgos son el resultado de una emocionante colaboración que involucra conocimientos de la física, la neurociencia y el modelado matemático », comentó Aguilera. « El enfoque multidisciplinario ha abierto la puerta a formas novedosas de comprender la organización de redes complejas a gran escala y tal vez descifrar la flecha termodinámica del tiempo ».