Naturaleza en código

Artículo

Cristina Domínguez

Muchos de los inventos de los que nos jactamos los seres humanos son copias de aquello que encontramos en la naturaleza. ¿Se nos habrían ocurrido las alas de los aviones si no existieran los pájaros? ¿Habría podido George de Mestral inventar el velcro si no hubiera observado en el microscopio cómo unas semillas se adherían al pelaje de su perro? ¿Alguien habría creado la pintura autolimpiable si no tuviéramos constancia de cómo las hojas de loto repelen el agua y la suciedad? El proceso de observar a la naturaleza para copiar sus soluciones tiene un nombre: biomímesis.

Como explica la bióloga Janine M. Benyus, «los animales, las plantas y los microbios son ingenieros consumados. Han descubierto lo que funciona, lo que es apropiado y, lo más importante, lo que perdura aquí en la Tierra. Esta es la verdadera novedad de la biomímesis: después de 3.800 millones de años de investigación y desarrollo, los fracasos son fósiles, y lo que nos rodea es el secreto de la supervivencia». Asegura, además, que la emulación consciente de los mecanismos de la naturaleza es una estrategia de supervivencia para la raza humana, pues favorece un futuro más sostenible.

Numerosos investigadores lo están comprobando en áreas como la arquitectura, la ciencia de materiales, la medicina, la energía, la robótica o el software. De hecho, un campo en el que se está aplicando muchísimo la biomímesis es en la inteligencia artificial. Muchos procesos naturales son inherentemente algorítmicos: siguen reglas repetibles, perceptibles o no, que podemos llegar a traducir a código. Como vimos antes, la naturaleza ha resuelto problemas de optimización, búsqueda, aprendizaje y adaptación durante millones de años. Y encontrar la mejor solución entre millones de posibilidades, adaptarla a entornos cambiantes, o aprender de las experiencias pasadas son los mismos problemas a los que nos enfrentamos en la computación.

Por ejemplo, podemos inspirarnos en cómo las hormigas encuentran siempre el camino más corto entre su nido y una fuente de comida, usando feromonas para comunicarse entre sí para crear un algoritmo de optimización que ayude a mejorar el rendimiento de los modelos de machine learning. Así lo emplearon tres investigadores de la universidad de Kashan (Irán) para entrenar un modelo de IA que pudiera predecir si un tumor es benigno o maligno.

Numerosos investigadores están aplicando la biomímesis en la ciencia de materiales, la medicina, la energía, la robótica o el software

Otro algoritmo bioinspirado, también de los más usados, es la optimización por enjambre de partículas, que imita cómo las bandadas de pájaros o los grupos de peces encuentran comida: es decir, dispersándose para explorar distintas zonas y así encontrar más rápidamente su objetivo. De este modo, el algoritmo crea y modifica muchas soluciones numéricas simultáneamente, guiándolas hacia las que funcionan mejor. Esta técnica fue inventada en 1995 por el ingeniero eléctrico Russell C. Eberhart y el psicólogo social James Kennedy, que buscaban desarrollar un optimizador basado en un modelo de comportamiento social.

También es habitual el uso del algoritmo evolutivo denominado «evolución diferencial», que se inspira, como su nombre indica, en el proceso de evolución biológica. En concreto, usa un mecanismo particular de mutación basado en las diferencias entre dos individuos de la población, similar a como la reproducción sexual combina material genético de los dos progenitores. Fue diseñado para superar algunas limitaciones de los algoritmos genéticos clásicos, que dificultaban trabajar con números reales.

En cualquier caso, los algoritmos genéticos son probablemente los más populares de todos: emplean los principios de la evolución para resolver problemas de optimización artificial, y se están aplicando en numerosos ámbitos, como el análisis y procesamiento de datos o el machine learning.

Sin olvidarnos de las redes neuronales que son la base de, por ejemplo, ChatGPT. El funcionamiento de las neuronas y de las redes del cerebro se usan para crear modelos matemáticos que clasifican y reconocen patrones e infieren predicciones a partir de ahí. De esta forma, se toman como modelos los principios de organización y aprendizaje de nuestra mente para crear algoritmos de inteligencia artificial.

Ahora bien, los investigadores advierten que el entusiasmo ante estos algoritmos inspirados en la naturaleza también puede generar algunos problemas. En el artículo ‘The Paradox of Success in Evolutionary and Bioinspired Optimization del grupo SCI2S de la Universidad de Granada se concluye que la proliferación de algoritmos bioinspirados ha provocado una falta de rigor metodológico en muchas propuestas, justificadas por su metáfora biológica y no por una contribución experimental real, así como reiteraciones innecesarias. Por supuesto, eso no quita el potencial innovador de estas soluciones, especialmente para espacios de búsqueda amplios y complejos, pero sí hace una llamada a la reflexión.

De lo que no cabe duda es que traducir los principios de la evolución o los patrones de comportamiento de los seres vivos a estructuras matemáticas nos permite capturar un conocimiento intrínseco del mundo para aplicarlo en contextos complejos en los que es preciso analizar datos masivos, tomar decisiones bajo una gran incertidumbre o proponer soluciones adaptativas en tiempo real, desde el diagnóstico médico asistido, hasta la gestión inteligente de redes de transporte, la detección temprana de ciberataques o el monitoreo de ecosistemas para predecir fenómenos extremos.