Inteligencia Artificial Archive

Inteligencia artificial para estudiar el Sol

Por primera vez, investigadores del Instituto de Astrofísica de Canarias aplican técnicas de aprendizaje automático para estudiar los movimientos horizontales del plasma en la superficie solar

IAC/DICYT Muchos de los fenómenos que tienen lugar en la atmósfera solar están controlados por los movimientos del plasma, especialmente en la fotosfera, la capa superficial del Sol y visible a simple vista mediante grandes telescopios. Medir la velocidad del movimiento vertical es relativamente fácil gracias al efecto Doppler, que produce un desplazamiento de las líneas de su espectro proporcional a la velocidad. En cambio, medir cómo se mueve el plasma de forma paralela a la superficie es mucho más complicado porque en este caso el efecto Doppler no opera. Sin embargo, gracias a técnicas de inteligencia artificial, un equipo científico del IAC ha desarrollado un método –una red neuronal- capaz de medir ese movimiento horizontal automáticamente. Los resultados del estudio se han publicado recientemente en Astronomy & Astrophysics.

En Física Solar, se suelen medir estas velocidades tomando varias imágenes de la superficie del Sol y se compara cómo se mueven los gránulos de una imagen a la anterior. Es una forma bastante intuitiva y habitual de medir velocidades en la vida diaria. Por ejemplo, cuando queremos cruzar una calle, estimamos la velocidad a la que circula un coche para saber si podemos hacerlo comparando su posición en unos pocos segundos. El problema de aplicar este método en la superficie solar es que produce estimaciones poco detalladas y solo permite detectar movimientos de estructuras mayores de 1000 km y que se muevan durante un periodo largo de tiempo.

Para hacer un cálculo más preciso de las velocidades horizontales en la fotosfera, varios investigadores del Instituto de Astrofísica de Canarias (IAC) han desarrollado un método basado en el “aprendizaje profundo” (deep learning en inglés). Este conjunto de técnicas de inteligencia artificial se han utilizado para asuntos tan dispares como desarrollar una inteligencia artificial que juegue al conocido juego de mesa Go (AlphaGo), la conducción automática de coches o el diagnóstico de enfermedades. Ahora, por primera vez, se han aplicado estas técnicas en el Sol, y el equipo científico ha entrenado una red neuronal, “DeepVel”, capaz de calcular la velocidad en cada pixel de la imagen y para cada instante de tiempo a partir de dos fotos consecutivas. “La mejora con respecto a los métodos anteriores es tan grande –explica Andrés Asensio Ramos, investigador del IAC y primer autor del proyecto- que creemos que el aprendizaje profundo nos permitirá extraer mucha más información de las observaciones en diferentes campos de la Física Solar”.

Deep learning o aprendizaje profundo

El aprendizaje profundo es una de las de técnicas de aprendizaje automático que permite a los ordenadores aprender a resolver problemas por sí mismos. Consiste en desarrollar e implementar algoritmos matemáticos formados por piezas relativamente simples pero muy interconectadas que sirven como base para generalizar comportamientos. Los sistemas de aprendizaje profundo más usados son las redes neuronales profundas, que intentan imitar el comportamiento del cerebro humano y su gran conectividad. Cuando se introducen datos, estos algoritmos los tratan en múltiples capas (en forma de cascada) y se van adaptando hasta ser capaces de reconocer patrones en los datos de entrenamiento. A partir de ese momento, pueden aprender automáticamente a resolver problemas nuevos.

“DeepVel” es capaz de detectar en la atmósfera solar vórtices muy pequeños, de tan solo unos centenares de kilómetros de diámetro, y que pueden durar menos de un minuto. “Parecen estar relacionados con acumulaciones de campos magnéticos que aparecen en las zonas menos magnetizadas del Sol, es decir, en calma”, apunta Iker S. Requerey, científico del IAC durante el desarrollo de este trabajo y otro de los autores del mismo. Desde hace unos años se sabe que la contribución del magnetismo en estas zonas es muy importante, incluso más de lo que se creía, lo que puede afectar al calentamiento de la corona solar, la capa más externa de su atmósfera. “Con DeepVel podremos estudiar los vórtices en el futuro, caracterizarlos y ver si están relacionados con la concentración de campos magnéticos en la fotosfera”, concluye Nikola Vitas, astrofísico del IAC que también ha participado en este estudio.

Referencia bibliográfica
“DeepVel: deep learning for the estimation of horizontal velocities at the solar surface”, por A. Asensio Ramos, I. S. Requerey y N. Vitas. A. Asensio Ramos, I. S. Requerey and N. Vitas, 2017, A&A, 604, A11.
Artículo online: https://doi.org/10.1051/0004-6361/201730783

Robots con razonamientos humanos

Diseñan robots capaces de tomar decisiones autónomas y cooperar o no con un ser humano en una situación determinada

UCM/DICYT Gracias al uso de redes neuronales, científicos de la Universidad Complutense de Madrid han diseñado robots capaces de tomar decisiones autónomas y cooperar o no con un ser humano en una situación determinada. Los agentes humanoides cuentan con mapas cognitivos compactos que les permiten “comprender” entornos con personas en movimiento e interaccionar con ellas.

Robots inteligentes

“Nuestra investigación pretende comprender los mecanismos que el cerebro emplea para entender el mundo e implementarlos en robots, dotándolos de capacidades cognitivas cercanas a las nuestras”, explica Valeri Makarov, investigador del departamento de Matemática Aplicada de la Universidad Complutense de Madrid (UCM).

En un estudio, publicado en Biological Cybernetics, Makarov y sus compañeros de la UCM han desarrollado agentes humanoides con redes neuronales capaces de tomar decisiones de forma autónoma.

Para llegar a este diseño, los científicos se han basado en los mapas cognitivos que nuestro cerebro crea para entender el entorno, y desplazarnos por una habitación vacía, como si tuviéramos un GPS. El problema se presenta cuando ese lugar no es estático sino dinámico, con personas moviéndose.

“Hemos propuesto una teoría según la cual, el cerebro, al percibir una situación dinámica construye una especie de fotografía, extrayendo la información relevante de la dimensión temporal y proyectándola en un mapa especial, compactando el tiempo”, explica Makarov. Esta ruta dinámica la han denominado mapa cognitivo compacto.

En el estudio, los científicos han utilizado las redes neuronales para sintetizar el tiempo y crear los mapas cognitivos compactos. Implementar estas rutas dinámicas en un robot le dotaría de funciones similares a un ser humano, según los autores.

Humanoides capaces de cooperar

El proyecto contempla dos escenarios: uno en el que el robot coopera con el humano y otro, donde lo evita. “El objetivo es que el humanoide se comporte de forma lo más parecida a nosotros y que tenga la capacidad de saber cuándo tiene que cooperar y cuándo no”, resume el investigador.

De esta forma, el robot es capaz de desplazarse por un pasillo, cruzarse con un humano y sortearlo para evitar chocar con él, si aprecia que la persona no cambia su rumbo.

El siguiente paso será que el humanoide sea capaz de “pensar” cómo tiene que interaccionar con el humano, no solo evitarlo para no chocar, sino también darle asistencia, intervenir o perseguirlo, en el caso de que actúe en situaciones de seguridad.

“Esa es la idea central de la cognición biométrica: introducir el conocimiento de la interacción con un humano a la cognición sobre la realidad, para que el robot entienda que la persona puede responder de formas muy complejas a las que tendrá que enfrentarse”, concluye Makarov.

Referencia bibliográfica
José A. Villacorta-Atienza, Carlos Calvo y Valeri A. Makarov. “Prediction-for-CompAction: navigation in social environments using generalized cognitive maps”. Biological Cybernetics, 109(3), 307-320, 2015. DOI: 10.1007/s00422-015-0644-8.

Fuente: DICYT
Website: dicyt.com


Detectan un ‘Júpiter caliente’ que se escapa de las teorías de formación planetaria

Cada semana, telescopios de todo el mundo detectan nuevos exoplanetas –que orbitan alrededor de estrellas distintas al Sol– pero el último que ha hallado el United Kingdom Infrared Telescope (WTS-UKIRT) ubicado en Hawái, se sale de lo habitual. “Es un planeta especial porque tiene un radio muy grande, dadas su masa y edad, y de acuerdo con las teorías actuales de formación planetaria”, explica Luis Sarro Baro, investigador del departamento de Inteligencia Artificial de la UNED y uno de los autores del hallazgo, que se describe en la revista Monthly Notices of the Royal Astronomical Society.

“Es un planeta especial porque tiene un radio muy grande, dadas su masa y edad, y de acuerdo con las teorías de formación planetaria”

Un-Jupiter-caliente-que-se-escapa-de-las-teorias-de-formacion-planetaria_image365_Estas teorías predicen que los radios de los planetas recién formados decrecen con el paso del tiempo a medida que estos radian su energía interna. Sin embargo, teniendo en cuenta que el exoplaneta descubierto –bautizado como WTS-1b– y su estrella progenitora se formaron hace 600 millones de años, el cuerpo debería tener un tamaño un 20% superior al de Júpiter y no un 50%, como se observa.

Para localizar a WTS-1b, el equipo internacional de científicos, del que forma parte la UNED, el Centro de Astrobiología, el Instituto Astrofísico de Canarias, el Centro Astronómico Hispano Alemán, la Universidad de La Laguna, y numerosas instituciones europeas y latinoamericanas, ha empleado técnicas de fotometría infrarroja. Estas revelan que el exoplaneta es un cuerpo gaseoso, conocido como ‘Júpiter caliente’, porque comparte las características del gigante de gas pero orbita alrededor de su estrella (WTS-1) a una distancia mucho menor que éste lo hace del Sol.

“Si comparamos, la Tierra se encuentra a una unidad astronómica de distancia de su estrella; Júpiter se halla a 5,2 unidades astronómicas y WTS-1b, a tan solo 47 milésimas de unidad astronómica (0,047) de la suya”, indica el astrofísico.

Cuatro veces el gigante gaseoso

El radio del exoplaneta es 1,5 veces el de Júpiter y su masa, cuatro veces superior. Se localiza en el disco de la Vía Láctea, a unos 10.400 años luz de distancia respecto a la Tierra. Por su parte, la estrella cuenta con un radio un 15% superior al del Sol y su temperatura –aproximadamente 6.250 kelvines– es mayor que la de este.

Otra característica del exoplaneta –común a cualquier ‘Júpiter caliente’– es que se cree que no se creó en el mismo emplazamiento en el que se encuentra ahora, sino mucho más lejos de su estrella y, posteriormente, se desplazó hasta la posición actual.

La cercanía entre ambos cuerpos sitúa a WTS-1b lejos de la zona de habitabilidad pero eso no significa necesariamente que no pueda albergar formas de vida. “En la Tierra existe vida en lugares con condiciones tan adversas como Río Tinto, la Antártida o las fumarolas oceánicas, y eso hace años era impensable”, recuerda el investigador de la UNED. No obstante, Sarro admite que “hoy por hoy, se considera improbable que un planeta tan próximo a la estrella central pueda albergar vida”.

“Se considera improbable que un planeta tan próximo a la estrella central pueda albergar vida”

‘Cazado’ con fotometría infrarroja

La fotometría infrarroja empleada por los científicos en este estudio es una técnica común para detectar planetas en imágenes directas, pero no para localizarlos a través de sus tránsitos o eclipses. Midiendo el brillo de cientos de miles de estrellas en una misma región del cielo a lo largo del tiempo, se pueden detectar cuerpos en órbita alrededor de éstas si dicho movimiento es tal que, en algún momento, el planeta pasa por delante, ocurre un eclipse y disminuye el brillo aparente de la estrella.

A partir de ahí, los investigadores toman espectros –descomponen la luz en sus diferentes longitudes de onda– para descartar explicaciones alternativas, como por ejemplo, otra estrella, y confirmar la naturaleza planetaria del cuerpo. Al mismo tiempo, los espectros permiten deducir las propiedades físicas de la estrella central.

Referencia bibliográfica:

M. Cappetta, R. P. Saglia, J. L. Birkby, J. Koppenhoefer, D. J. Pinfield, S. T. Hodgkin, P. Cruz, G. Kovács, B. Sipócz, D. Barrado, B. Nefs, Y. V. Pavlenko, L. Fossati, C. del Burgo, E. L. Martín, I. Snellen, J. Barnes, A. Bayo, D. A. Campbell, S. Catalan, M. C. Gálvez-Ortiz, N. Goulding, C. Haswell, O. Ivanyuk, H. R. Jones, M. Kuznetsov, N. Lodieu, F. Marocco, D. Mislis, F. Murgas, R. Napiwotzki, E. Palle, D. Pollacco, L. Sarro Baro, E. Solano, P. Steele, H. Stoev, R. Tata y J. Zendejas. The first planet detected in the WTS: an inflated hot Jupiter in a 3.35 d orbit around a late F star”. Monthly Notices of the Royal Astronomical Society 427, diciembre 2012. DOI:10.1111/j.1365-2966.2012.21937.x