El modelo y lo modelado

16 de marzo de 2015

veces olvidamos que un mapa no es un territorio. Un mapa igual al territorio no sería muy útil, como ya escribió Borges, ya que el propósito de un mapa es que represente los aspectos relevantes del territorio. De manera similar, es importante distinguir entre los modelos (nuestras descripciones de los fenómenos) y lo que modelan (los fenómenos en sí). A grandes rasgos, en filosofía, el estudio del modelo es epistemología, mientras que el estudio de lo modelado es ontología.

El mapa no es el territorio

No podemos decir que haya verdades absolutas, ya que siempre podemos tener más de una descripción (modelo) de cualquier fenómeno (modelado). Y no podemos decidir qué descripción es más adecuada independientemente de un contexto. Debido a esto, conviene más ser tolerantes a descripciones distintas a las nuestras, ya que en muchos casos no es que las descripciones “estén mal”, sino que simplemente están hechas desde una perspectiva (contexto) distinta.

Es importante tener presente la diferencia entre el modelo y lo modelado, entre epistemología y ontología, ya que si describimos un fenómeno como un “sistema complejo”, ésta será sólo una descripción. Una descripción no cambia al fenómeno, pero sí al entendimiento que tengamos de él. Una célula seguirá funcionando de la misma manera si la observamos como un sistema complejo o como un ente aislado. Entonces, la pregunta no es si un fenómeno es o no un sistema complejo, sino ¿cuándo conviene describir a un fenómeno como sistema complejo?

La elección de un modelo o una descripción depende también del propósito para el que queremos usar el modelo o la descripción. Una descripción de un fenómeno como sistema nos permite estudiar sus interacciones, pero puede ser menos clara. Podemos asumir que mientras menos incompleta sea, una descripción será más adecuada en una variedad mayor de contextos. Sin embargo, será una descripción con más información y no es seguro que esa información extra nos sea útil. Por lo tanto, debemos de buscar un balance entre cuán completa (y extensa) será una descripción y su simplicidad. Este balance determinará en parte cuán útil será la descripción. Y la utilidad de una descripción también dependerá del propósito. Por lo tanto, no podemos decir que un modelo sea verdadero o falso, sólo si es útil o no con respecto a un contexto particular.

El estudio de los sistemas complejos nos ayuda a describir a los componentes y las interacciones que le dan forma y funcionalidad a un fenómeno. Si para nuestro propósito las interacciones no son relevantes, no es necesario describir al fenómeno como sistema. Podemos llamar a esta visión “reduccionista”, la cual detallaremos en la próxima entrada. Pero ¿qué sucede cuando sí son relevantes las interacciones? Este será el tema de otra entrada más.

Vida artificial

18 de octubre de 2014

¿Qué es la vida? ¿Cómo podemos distinguir lo vivo de lo no vivo? ¿Qué es lo que compartimos con bacterias y árboles, moscas y ballenas, algas y flores, hongos y leones, pero no con cristales, huracanes, nubes ni volcanes? Nos hemos hecho este tipo de preguntas desde la antigüedad, pero todavía no hemos encontrado una respuesta única. Sólo fue a finales del siglo XVII que gracias al desarrollo de los microscopios se conocieron los componentes de todos los seres vivos que conocemos: las células. Sin embargo, quedan preguntas abiertas: ¿qué distingue a las moléculas que componen a una célula viva de las mismas moléculas cuando declaramos a la célula muerta? Más aún, si las células están vivas y las moléculas no, ¿de dónde surge la vida?

Para la primera pregunta, varios autores han propuesto que la vida no es una propiedad de la materia o de la energía, sino de su organización. Esta (auto-)organización le permite a los sistemas vivos mantenerse lejos de un equilibrio termodinámico. No se viola la segunda ley de la termodinámica, ya que los seres vivos mantenemos un flujo constante de materia, energía e información con nuestro entorno. En otras palabras, somos sistemas abiertos y nuestra organización se mantiene a sí misma. Si se destruye esta organización, nuestros componentes no pueden mantener el flujo de materia, energía e información, y son víctimas de la degradación termodinámica de moléculas complejas a más simples. Nos lleva la entropía.

Para la segunda pregunta, podemos decir que la vida es una propiedad emergente de sus componentes. Las moléculas de una célula no están vivas, pero a través de sus interacciones producen propiedades en la célula que identificamos con la vida, tales como metabolismo, robustez, reproducción y evolución.

Notando que la vida no es una propiedad dependiente de sus componentes, sino de su organización, dentro del área de cibernética se empezaron a estudiar de manera abstracta las propiedades de los sistemas vivos a mediados del siglo XX. Dentro de esta tradición, se desarrollaron modelos de sistemas vivos en simulaciones de computadoras y en robots. A fines de los 80’s, Christopher Langton acuñó el término “vida artificial” en su sentido moderno, el cual considera a la simulación y la síntesis de sistemas vivos.

Podemos clasificar a la vida artificial en tres categorías: La vida artificial suave considera simulaciones en software con propiedades de sistemas vivos. La vida artificial dura incluye a robots e implementaciones en hardware de modelos biológicos. La vida artificial húmeda abarca los intentos de crear vida artificial a partir de la química en el laboratorio. En otras palabras, se intentan crear “protocélulas” que tengan propiedades similares a las de las células vivas pero construidas con componentes distintos.

El estudio científico de la vida artificial nos ha permitido comprender mejor propiedades y contrastar teorías sobre el origen de la vida y su evolución, la autonomía, la auto-organización, la adaptación, la ecología, las sociedades, el comportamiento, la información y las bases químicas de la vida.

La vida artificial también se empieza a aplicar a la tecnología, ya que nos permite no sólo comprender mejor a los sistemas vivos, sino construir sistemas artificiales con propiedades de sistemas vivos. Por ejemplo, es conveniente construir ciudades más como sistemas vivos que como máquinas, ya que necesitan adaptarse constantemente a su entorno dinámico.

Hay muchos ejemplos interesantes de arte basado en vida artificial. Por ejemplo, se ha propuesto usar modelos de parvadas de aves para generar animaciones musicales:

También, en España se ha organizado desde fines del siglo pasado VIDA, Concurso Internacional Arte y Vida Artificial, dentro del cual se han presentado diversas propuestas artísticas.

La vida artificial también ha contribuido a la filosofía. Nos podemos preguntar: si un ser vivo necesita conocimiento para sobrevivir en su entorno, ¿cómo se desenvuelve el conocimiento de las criaturas artificiales? Las respuestas nos pueden dar indicios sobre el conocimiento en los seres biológicos, además de que es más fácil intervenir a las criaturas artificiales para contrastar distintas teorías.

Hay varios retos abiertos en vida artificial. Ha habido progreso considerable durante su corta existencia, pero queda mucho por hacer en todos los temas relacionados con vida artificial. Las técnicas de vida artificial se han absorbido en otras disciplinas. Por ejemplo, en biología ahora es común usar modelos computacionales, pero no se les llama vida artificial. Si esta tendencia continúa, podríamos llegar a los principios de una “biología general”, donde el estudio de la síntesis y simulación de los sistemas vivos dejaría de ser “artificial”.

Por cierto, la próxima conferencia internacional de vida artificial se llevará a cabo durante el verano de 2016 en el Caribe Mexicano.

  • Aguilar, W., Santamaría Bonfil, G., Froese, T., and Gershenson, C. (2014). The past, present, and future of artificial life. Frontiers in Robotics and AI 1 (8). http://dx.doi.org/10.3389/frobt.2014.00008
  • Bedau, M. A. (2003). Artificial life: organization, adaptation and complexity from the bottom up. Trends Cogn. Sci. (Regul. Ed.) 7, 505–512. http://dx.doi.org/10.1016/j.tics.2003.09.012
  • Langton, C. G. (1997). Artificial Life: An Overview. Cambridge, MA: MIT Press.

Calles completas

El tráfico en las ciudades nos afecta a todos los que respiramos. Contaminación, ruido, tensión, ira, desesperación, atropellados, choques. Efectos colaterales de la maravilla del automóvil. Es cierto que esta tecnología ha transformado las ciudades y las sociedades, ofreciendo muchas bondades. Pero mientras más autos hay en las calles, se reducen las ventajas y aumentan las desventajas.

En muchas ciudades mexicanas y en otros países, cada vez hay más automóviles. Se podría decir que esto es positivo, porque refleja crecimiento económico. Sin embargo, hay un impacto negativo mientras se sigan quemando combustibles. Pero aunque fuesen todos los autos eléctricos, recargados con energías renovables, simplemente no caben.

Se sabe que el automóvil es la manera más cara y menos eficiente que se usa masivamente. En un carril (3.5m de ancho), si sólo se usan automóviles, se pueden transportar unas 1500 personas por hora. Para ciudades grandes, no es factible que la mayoría se desplacen en auto, aunque haya viajes compartidos. No hay espacio, y los segundos pisos aumentan muy poco la capacidad de transporte. Con autobuses compartiendo el carril con los autos, se puede aumentar la capacidad a unas 5000 personas por hora. Si el carril lo dedicamos a transporte público, ya sea tranvía o BRT como Metrobús, entonces la capacidad sería de unos 9000 pasajeros por hora. En el mismo espacio, una ciclovía puede transportar 12,000 personas por hora. Esto es ocho veces más que un carril de autos. En otras palabras, una ciclovía es equivalente a una avenida de ocho carriles para autos, a una fracción del costo. En una banqueta de dimensiones similares, podrían caminar unos 15,000 peatones por hora. En Metro, se pueden transportar unas 40,000 personas por hora, mientras que en tren suburbano, unas 60,000. El auto es 40 veces menos eficiente que el tren. En otras palabras, para transportar en auto a la misma cantidad de gente que podría viajar en tren, se requeriría una avenida de 40 carriles (140m de ancho).

Si hablásemos de velocidades promedio, el auto también sale perdiendo. Con el tráfico adecuado, puede ser más rápido caminar.

Cuando se habla de promover el transporte público y los medios no motorizados, parecería qué hay quienes creen que implica eliminar a los autos particulares. Pero es simplemente encontrar un mejor balance dado el espacio finito de nuestras ciudades.

En urbanismo se habla de “calles completas”: donde distintos medios de transporte comparten el espacio: automóviles, transporte público, ciclistas y peatones. En CDMX, Insurgentes es una calle completa por 15 km. Es claro que el Metrobús desplaza muchas más personas que sin carriles dedicados. Y la ciclovía cada vez beneficia a más ciudadanos. Casi no se ha afectado al flujo de autos, ya que este está determinado por los cuellos de botella (intersecciones). Lo que importa es cuántos pasajeros cruzar un semáforo en cierto tiempo, no qué tan lejos del semáforo tienen que esperar.

Hay quienes creen que los ciclistas “estorban” a los autos. Pero si vemos a cada ciclista como un auto menos, gracias a nosotros los autos pueden llegar más rápido a su destino y hay menos contingencias ambientales.

En las palabras de Morten Kabell: “Cuando era alcalde, me preguntaban frecuentemente ‘¿cómo pudo permitirse esto en Copenhague?’. Yo les contestaba, ‘¿Cómo es que ustedes han sido capaces de NO permitírselo?’ Hace 25 años estábamos a unos días de la bancarrota. Entonces la ciudad invirtió en la infraestructura más barata: la ciclista”.

Hay muchos motivos para no andar en bici: seguridad, miedo, condición de salud, distancia, flojera, etc. Algunas causas se pueden atender, otras no. Pero muchos de los que andan en bici recreativa podrían hacerlo para sus viajes cotidianos. Y los que no pueden, se beneficiarían de que haya más ciclistas: menos autos, más espacio en transporte público, etc.

Otro motivo para reducir el uso del automóvil (y las motos) son las muertes. A velocidades mayores, la probabilidad de accidentes fatales aumenta, independientemente del nivel de irresponsabilidad o intoxicación de los ciudadanos (asumiendo que es el mismo para todos los usuarios de distintos medios de transporte).

Finalmente, todos somos peatones, por lo que nos beneficiaremos de mejor infraestructura peatonal.

https://reforma.com/JQnfIr

Auto-organización guiada

20 de marzo de 2014

Muchos grupos de animales pueden coordinarse sin necesidad de tener un líder. Enjambres, parvadas, cardúmenes, manadas y multitudes forman patrones globales a partir de interacciones locales entre los individuos. Este comportamiento colectivo sólo se empezó a comprender recientemente, ya que las computadoras son “microscopios” necesarios para poder explorar distintos tipos de interacciones en sistemas complejos con docenas o miles de integrantes.

La dinámica colectiva de animales es un ejemplo de auto-organización, la cual puede entenderse como el proceso mediante el cual se producen patrones o comportamientos globales a partir de reglas o estados locales. Para estudiar un sistema auto-organizante, necesitamos por lo menos describir dos escalas: los componentes y el sistema. Las propiedades del sistema son producto principalmente de las interacciones de los componentes. Es por eso que no se requiere de un líder o control central para obtener las propiedades globales.

Otro ejemplo de auto-organización se da con los machos de algunas especies de luciérnagas, las cuales se sincronizan siguiendo reglas sencillas. Un método sencillo con el cual se puede lograr la sincronización de luciérnagas es el siguiente: cada insecto emite luz con cierta regularidad (el período). Pero si detecta luz de cierta intensidad (de sus vecinos), ajusta su disparo para que el siguiente disparo coincida con los de sus vecinos. De esta manera, se generan grupos de luciérnagas que se van sincronizando, hasta que árboles enteros pueden centellear en sincronía. Mientras más machos puedan sincronizarse, podrán atraer a más hembras.

Ya que los componentes de los sistemas auto-organizantes usan sólo información local y no requieren de un líder o control central, estos sistemas son muy robustos (son resistentes a cambios en su entorno y a la pérdida de componentes) y también son adaptativos (pueden ajustarse a los cambios). Estas propiedades son comunes en los sistemas vivos, pero no lo son tanto en los sistemas artificiales. Para dotar a nuestra tecnología de robustez y adaptación, podemos usar el concepto de auto-organización guiada: podemos regular las interacciones entre los componentes para dirigir y controlar su auto-organización. Esto es distinto a diseñar qué es lo que debe de hacer cada componente, ya que bajo esta perspectiva los componentes se auto-organizan y así pueden adaptarse de manera robusta a cambios no esperados ni esperables.

En nuestro grupo, hemos aplicado el concepto de auto-organización guiada para coordinar semáforos. En lugar de tratar de predecir un flujo de vehículos que siempre cambia, cada semáforo sigue reglas simples para responder a la demanda y la disponibilidad inmediatas. Sólo se requiere información de sensores, ni siquiera es necesaria la comunicación entre intersecciones. Por ejemplo, si hay pocos vehículos en una calle, tendrán que esperar un poco más que si son muchos (a menos que no se aproxime nadie, entonces no necesitan esperar). Esto permite que se agrueguen más vehículos a los que estaban esperando, formando grupos de vehículos (pelotones). Cuando se forma un pelotón de cierto tamaño, este puede disparar una luz verde antes de llegar a la intersección, por lo que los vehículos no necesitarán siquiera reducir su velocidad, a menos que haya otro pelotón cruzando en esos momentos. En este caso, el tiempo de espera del pelotón será mínimo.

La auto-organización guiada puede aplicarse a resolver muchos otros problemas: aquellos que cambian constantemente y requieren que su solución cambie a la misma velocidad. No es casual que la naturaleza haya encontrado solución a muchos problemas usando auto-organización. Podemos aprender mucho de estos sistemas naturales para construir mejores sistemas artificiales.

Para saber más:
• Camazine, S., Deneubourg, J.-L., Franks, N. R., Sneyd, J., Theraulaz, G., and Bonabeau, E. (2003). Self-Organization in Biological Systems. Princeton University Press, Princeton, NJ, USA.
• Gershenson, C. (2007). Design and Control of Self-organizing Systems. CopIt Arxives, Mexico. http://tinyurl.com/DCSOS2007
• Gershenson, C. (2013). Living in living cities. Artificial Life, 19(3 & 4):401–420. http://dx.doi.org/10.1162/ARTL_a_00112

El Juego de la Vida

18 de octubre de 2013

Intuitivamente, podríamos pensar que para producir un comportamiento complejo, se requieren reglas complejas. En simulaciones de computadoras (ordenadores) se ha podido comprobar lo contrario: se pueden obtener comportamientos extremadamente complejos a partir de reglas extremadamente simples.

Un ejemplo es el “Juego de la Vida”, un “autómata celular” propuesto por el matemático John H. Conway en 1970. Consiste en una malla cuadriculada, donde cada celda puede tomar uno de dos valores: “viva” o “muerta”. Cada estado se puede representar con colores o con números, por ejemplo 1 = viva y 0 = muerta. Las reglas del Juego de la Vida son las siguientes. Para cada celda:

  1. Se cuentan cuántas células vivas hay en los ocho vecinos cercanos (cero si no hay vecinos, ocho si toda la vecindad está ocupada).
  2. Si la celda está viva, permanece viva sólo si tiene dos o tres vecinos (si hay uno o ninguno, se muere; si hay cuatro o más, también muere).
  3. Si la celda está muerta y tiene exactamente tres vecinos, nace una célula nueva (si hay otro número de vecinos, permanece muerta).

Y ya. ¿Qué dinámica puede surgir a partir de sólo estas relgas?

Reglas del juego de la vida

Como se puede ver en el video, las reglas simples producen estructuras complejas, osciladores, estructuras móviles, generadores de estructuras, e incluso depredadores.

Glider Gun

En ningún momento se especifica en las reglas que deba de haber estructuras móviles. ¿Cómo es que surgen? Podemos decir que emergen, en el sentido de que son propiedades que no se encuentran a nivel de celda, sino a un nivel superior. La complejidad de los patrones y estructuras del juego es un producto de las interacciones entre las celdas y de las estructuras que van emergiendo. Por ejemplo, se pueden usar las estructuras del juego de la vida para construir una computadora universal. Esto quiere decir que podemos calcular cualquier “función computable” a base de las reglas simples del Juego de la Vida.

Si podemos encontrar comportamientos tan complejos a partir de reglas muy simples, ¿qué límites habrá en la complejidad de otros sistemas complejos, compuestos por moléculas, organismos, personas y sociedades?

Para saber más: