Les formigues faraó inspiren un algoritme de intel·ligència artificial aplicable a la cerca de fàrmacs i la optimització logística

Científics del CSIC s'inspiren en el comportament d'aquestes formigues per millorar un algoritme. Les formigues faraó fan servir feromones per marcar llocs pels quals no cal passar, el que constitueix un exemple d'aprenentatge basat en exemples negatius.  Permet millorar els sistemes d'optimització en nombrosos àmbits de la indústria i la investigació, com la recerca de fàrmacs o la logística.

Formiguas faraó. WikimediaEs sabut que les formigues faraó deixen al seu pas un rastre de feromones, el que permet que la resta de la colònia pugui seguir la mateixa ruta. Rutes més curtes al niu permeten un pas més freqüent de formigues: en conseqüència, acumulen més rastre de feromona i queden reforçades positivament enfront de les altres. Això permet la comunitat de formigues trobar la solució d'un camí molt curt.

Aquest és un exemple de la 'intel·ligència d'eixam' de comportaments col·lectius d'animals com les formigues, les abelles o els tèrmits, que inspira desenvolupaments d'Intel·ligència Artificial. De fet, la tècnica ACO (de l'anglès 'ant colony optimization') es basa en la forma en què les formigues troben camins curts i té aplicacions en logística, investigació mèdica o bioinformàtica.

Ara, científics de l'Institut d'Investigació en Intel·ligència Artificial (IIIA) del CSIC han millorat la tècnica ACO inspirant-se en les formigues faraó. Christian Blum, científic de l'IIIA que ha dirigit el treball, explica: "El tipus d'aprenentatge usat a l'ACO es limita a aprendre de" exemples positius ". No obstant això, aprendre d'exemples negatius sembla jugar un paper important en sistemes biològics autoorganitzats".

Les formigues faraó (Monomorium pharaonis), segueix explicant Christian Blum, "utilitzen feromones de rastre negatiu per desplegar senyals de no-entrada i marcar així camins d'alimentació poc gratificants. Un altre exemple és l'ús d'anti-feromones hidrocarburs produïts per mosques tse tsé mascle".

En l’article, del qual també és signant l'estudiant de doctorat Teddy Nurcahyadi, han dissenyat el primer mecanisme general per incorporar l'aprenentatge negatiu de forma beneficiosa en la tècnica ACO. Publicat al congrés ANTS 2020, un dels principals de l'àrea, va ser premiat com a millor article pel seu gran potencial d'innovació.

Combina aprenentatge positiu i negatiu

Els científics han modificat l'algoritme ACO perquè incorpori l'aprenentatge basat en exemples negatius. "L'aprenentatge negatiu complementa el positiu, que segueix sent el més important. Però en el nostre article mostrem que els dos junts resulten en un algoritme superior", explica Christian Blum.

Els nostres algoritmes són iteratius, explica el científic. És a dir, s'executen les mateixes instruccions repetidament una i altra vegada. "En cada iteració és com si hi hagués un cert nombre de" formigues "que, cadascuna, genera una possible solució valida a el problema que es vol resoldre".

Si en la naturalesa les formigues es guien, de manera probabilista, en les feromones que troben en cada tros de camí, en els algoritmes, aquestes feromones equivaldrien a valors numèrics que estan en els components de les possibles solucions. I a l'igual que les feromones, aquests valors es reforcen positivament o negativament en funció de si apareixen o no en les solucions bones.

Aquest tipus d'algorisme es pot aplicar a nombrosos problemes d'optimització. Situacions en les que hi ha moltes possibles solucions i es tracta de trobar la millor o, si més no, una que sigui "prou bona", diu l'investigador. Com en el cas de la combinació de molècules per a la recerca de nous fàrmacs o la logística. "Jo diria", diu Blum, "que la investigació en molts camps no seria possible sense eines adequades d'optimització".

La investigació es desenvolupa dins d'un projecte del Plan Nacional d'I+D +I, CI-SUSTAIN: Intel·ligència Computacional Avançada Per Assolir Objectius De Desenvolupament Sostenible

Article de referència

Teddy Nurcahyadi, Christian Blum. A New Approach for Making Use of Negative Learning in Ant Colony Optimization. Conference paper. ANTS 2020: Swarm Intelligence pp 16-28. https://link.springer.com/chapter/10.1007%2F978-3-030-60376-2_2

Mercè Fernandez Via / CSIC Comunicación