Smooth multi-function evolutionary algorithm

En el mundo de la informática, existe un desafío persistente conocido como regresión simbólica. Imagine que un científico ha recopilado una vasta cantidad de puntos de datos—quizás mediciones de la velocidad del viento, recuentos de polen o salarios de profesores—y desea encontrar una única oración matemática que explique cómo se relacionan estos números entre sí. El objetivo es descubrir la regla oculta, la ecuación, que convierte los datos de entrada en el resultado correcto. Para lograr esto, las computadoras suelen utilizar un método inspirado en la selección natural, donde generan miles de oraciones matemáticas aleatorias, prueban qué tan bien se ajustan a los datos y luego mezclan y mutan las mejores para crear versiones aún mejores. Sin embargo, este proceso suele ser torpe. La computadora trata los bloques de construcción de estas oraciones—como la suma, la resta o la multiplicación—como herramientas rígidas y separadas. Cambiar de una herramienta a otra es como un salto repentino en el paisaje de posibilidades, lo que dificulta que la computadora encuentre el camino suave hacia la respuesta perfecta. Es un poco como intentar escalar una montaña donde el terreno cambia repentinamente de una pendiente suave a un acantilado vertical; el escalador lucha por encontrar la dirección correcta.

Los investigadores Peter Michalicek y Tomas Brandejsky, de la Universidad de Pardubice en la República Checa, han propuesto una nueva forma de suavizar este paisaje irregular. Desarrollaron un sistema donde la computadora no tiene que elegir entre diferentes herramientas matemáticas como si fueran opciones distintas y separadas. En su lugar, crearon una herramienta única y flexible que puede transformarse suavemente de una operación a otra. En su nuevo enfoque, la computadora utiliza una variable de control especial, un único dial que puede girarse para cambiar gradualmente el comportamiento de la función. Si el dial se coloca en una posición, la herramienta actúa como una suma; si se gira a otra, actúa como una multiplicación; y en el medio, realiza una mezcla de ambas. Esto permite que la computadora se deslice continuamente entre diferentes comportos matemáticos en lugar de realizar saltos abruptos y discordantes. Al hacer esto, los investigadores convirtieron la difícil búsqueda de una estructura compleja similar a un árbol en una tarea más simple de ajuste de un conjunto de números, haciendo que el proceso evolutivo sea más eficiente y menos propenso a quedarse estancado en callejones sin salida.

Los investigadores probaron esta idea construyendo un sistema que llaman "algoritmo evolutivo de multifunción suave". En lugar de dejar que la computadora ensamble aleatoriamente un árbol de diferentes operaciones matemáticas, obligaron a la computadora a usar un árbol perfecto y simétrico donde cada nodo interno es esta misma herramienta flexible y cambiante de forma. Lo único que cambia durante el proceso de aprendizaje son los valores de los diales de control en cada nodo y los números o variables específicos en la base del árbol. Este diseño simplifica significamente el problema. Debido a que la estructura del árbol es fija y las transiciones entre operaciones son suaves, la computadora puede utilizar técnicas de optimización estándar para encontrar los mejores ajustes, en lugar de depender de los métodos usualmente más caóticos e impredecibles requeridos para este tipo de problema. Los investigadores encontraron que este enfoque les permitió representar relaciones complejas utilizando una sola variable de control para cualquier número de funciones base, reduciendo la complejidad del espacio de búsqueda.

Para ver si este método realmente funcionaba, el equipo ejecutó su algoritmo en una variedad de conjuntos de datos estándar utilizados para probar la regresión simbólica, incluyendo datos sobre patrones de viento, recuentos de polen y salarios de profesores universitarios. Compararon sus resultados contra varios otros métodos conocidos, incluyendo sistemas que utilizan programación genética tradicional y aquellos que combinan la evolución con otras técnicas de optimización. Los resultados mostraron que, si bien su método a veces tardaba más en ejecutarse en un procesador de computadora estándar, fue altamente efectivo para encontrar modelos precisos. En algunos casos, particularmente cuando se le dio suficiente tiempo para pasar por muchas generaciones de prueba, su algoritmo encontró soluciones que eran tan buenas como, o mejores que, los métodos establecidos. Por ejemplo, en un conjunto de datos relacionado con los salarios de los profesores, su método logró un alto nivel de precisión que igualó a los mejores exponentes. En otro conjunto de datos referente a los datos del viento, produjo resultados comparables a las mejores herramientas existentes.

Uno de los hallazgos más significativos estuvo relacionado con qué tan bien se generalizaban los modelos a nuevos datos no vistos. En el aprendizaje automático, un problema común es el sobreajuste (overfitting), donde un modelo memoriza los datos de entrenamiento tan perfectamente que falla al hacer predicciones precisas sobre nueva información. Los investigadores midieron esto comparando la tasa de error en los datos de entrenamiento contra la tasa de error en los datos de prueba. Su enfoque de multifunción suave mostró un aumento muy pequeño en el error al pasar de entrenamiento a prueba, lo que sugiere que los modelos que creó eran estables y robustos. Esto indica que las transiciones suaves entre las operaciones matemáticas ayudaron al algoritmo a encontrar soluciones que capturaban los verdaderos patrones subyacentes de los datos, en lugar de simplemente ajustarse al ruido. Los investigadores señalaron que su implementación actual fue escrita de una manera que no estaba totalmente optimizada para la velocidad, lo que limitó cuántas pruebas podían realizar en un tiempo fijo. Sugirieron que si el código fuera reescrito para ejecutarse más rápido, quizás utilizando hardware informático especializado, el rendimiento podría mejorar aún más.

El estudio concluye que, al reemplazar las transiciones rígidas basadas en saltos de los algoritmos evolutivos tradicionales con transiciones suaves y continuas, es posible hacer que la búsqueda de modelos matemáticos sea más eficiente y confiable. Los investigadores demostraron que una sola variable de control podía gestionar eficazmente la transición entre múltiples funciones matemáticas diferentes, reduciendo la complejidad del problema sin sacrificar la precisión. Aunque el método no es una solución mágica que resuelve todos los problemas instantáneamente, ofrece una alternativa prometedora para encontrar las reglas ocultas en los datos. El trabajo sugiere que la forma en que representamos los bloques de construcción de nuestros modelos importa tanto como los algoritmos que usamos para buscarlos. Al suavizar el paisaje, los investigadores han proporcionado un camino más claro para que las computadoras lo sigan, lo que potencialmente conduce a modelos más precisos y confiables en campos que van desde la ciencia ambiental hasta la economía. El código y los resultados de este estudio están disponibles para que otros los examinen y construyan sobre ellos, invitando a una mayor exploración de esta forma más fluida de evolucionar soluciones matemáticas.