Un equipo del Instituto de Investigación en Inteligencia Artificial (IIIA), que forma parte del Consejo Superior de Investigaciones Científicas (CSIC), se está basando en el comportamiento de las hormigas faraón para mejorar un algoritmo de inteligencia artificial, que, se espera, tendrá aplicaciones en la búsqueda de fármacos.

Lo que hace peculiar a las hormigas faraón es que son capaces de aprender de ejemplos negativos. Así, los científicos del CSIC involucrados en este estudio parten de la técnica ACO (Ant Colony Optimization), que se basa en la forma como las hormigas hallan caminos cortos para seguirse unas a otras, a partir el rastro de feromonas que liberan.

“Este es un ejemplo de la inteligencia de enjambre de comportamientos colectivos de animales como las hormigas, las abejas o las termitas, que inspira desarrollos de inteligencia artificial”, explica el CSIC en una nota que también cita a Christian Blum, científico del IIIA-CSIC que ha dirigido el trabajo, y explica: “El tipo de aprendizaje usado en ACO se limita a aprender de ejemplos positivos. Sin embargo, aprender de ejemplos negativos parece jugar un papel importante en sistemas biológicos autoorganizados”.

Blum explica que las hormigas faraón (Monomorium pharaonis) “utilizan feromonas de rastro negativo para desplegar señales de no-entrada para marcar caminos de alimentación poco gratificantes”. El trabajo, que también firma el estudiante de doctorado Teddy Nurcahyadi, ha diseñado el primer mecanismo general para incorporar el aprendizaje negativo de forma beneficiosa en la técnica ACO, y los científicos han modificado el algoritmo ACO para que incorpore el aprendizaje basado en ejemplos negativos. “El aprendizaje negativo complementa el positivo, que sigue siendo el más importante. Pero en nuestro artículo mostramos que los dos juntos resultan en un algoritmo superior “.

“Nuestros algoritmos son iterativos”, explica Blum. Es decir, “se ejecutan las mismas instrucciones repetidamente una y otra vez. En cada iteración es como si hubiera un cierto número de hormigas que, cada una, genera una posible solución válida al problema que se quiere resolver”.

El CSIC añade que, “si en la naturaleza las hormigas se guían, de forma probabilista, por las feromonas que hallan en cada trozo de camino, en los algoritmos esas feromonas equivaldrían a valores numéricos que están en los componentes de las posibles soluciones”. Y al igual que las feromonas, “esos valores se refuerzan positivamente o negativamente en función de si aparecen o no en las soluciones buenas”.

Este tipo de algoritmo se puede aplicar a numerosos problemas de optimización. Situaciones en las que hay muchas posibles soluciones y se trata de encontrar la mejor o, por lo menos, una que sea “lo suficientemente buena", dice el investigador, como en el caso de la combinación de moléculas para la búsqueda de nuevos fármacos o la logística.  “La investigación en muchos campos no sería posible sin herramientas adecuadas de optimización”, concluye Blum.