Transcripción 0:14 Bueno, les voy a contar un poco lo que estamos investigando con el grupo de sistemas complejos en la Universidad Católica. 0:22 Todo comenzó porque cuando yo comencé a estudiar física me llamaba mucho la atención 0:29 por qué las matemáticas funcionaban tan bien para explicar la naturaleza. 0:33 Pero bueno, después de un tiempo me di cuenta que no era así en realidad. 0:36 O sea, solamente sirve para explicar algunas cosas muy específicas de la naturaleza. 0:40 Y justamente esas cosas específicas son algunos sistemas que se pueden subdividir en una serie de partes muy simples. 0:47 Y lo que hacemos es investigamos matemáticamente justamente cada una de estas partes 0:52 y después lo que hacemos es tratar de inferir el comportamiento del sistema como un todo sumando estas partes. 0:58 Este es el enfoque que se llama reduccionista, que ha tenido mucho éxito en el siglo XX y probablemente lo va a seguir teniendo. 1:04 Pero lastimosamente la mayor parte de la naturaleza no funciona así. 1:08 Sí, en la mayor parte de la naturaleza lo que tenemos son sistemas que tienen muchas partes 1:13 en donde la complejidad aparece justamente ahí en la interacción entre estas partes. 1:18 No se pueden, a la hora que se aíslan estas partes se pierde también ese tipo de complejidad. 1:23 Entonces se tienen que estudiar como un todo. 1:26 Un ejemplo es, por ejemplo, hay un experimento clásico de esto que es, ponemos unas 15 hormigas, digamos, 1:34 con un nutriente o algo de comida, si se quiere. 1:38 Y las hormigas se van a comenzar a mover aleatoriamente para agarrar la comida y agarrar al hormiguero, ¿no? 1:42 Pero ningún patrón. 1:44 Ponemos 5 hormigas más y básicamente vemos lo mismo y así vamos sumando hormigas hasta que de pronto 1:49 pasa un número crítico, se ordenan y hacen una hilera y tratan de optimizar la distancia entre el hormiguero y la comida. 1:57 Entonces, este fenómeno emergente no se puede estudiar si no se estudia el conjunto. 2:01 Si usamos una sola hormiga no podríamos entender qué está pasando. 2:04 Bueno, si quieren saber qué está pasando es simplemente que las hormigas dejan un rastro de feromonas, 2:08 pero este rastro olfativo se va disipando, se va evaporando y si no hay un número suficiente no se marca el rastro. 2:15 Entonces tiene que haber un número crítico. 2:16 Entonces, este tipo de fenómenos lo podemos ver con una especie de cálculo, 2:19 con una especie de optimización que están haciendo las hormigas como grupo, no como individuos, para calcular esto. 2:24 Otro ejemplo podría ser, qué sé yo, la forma como los árboles distribuyen las hojas para optimizar la cantidad de luz que reciben. 2:31 O incluso, bueno, cuando ustedes ven en el estadio como la gente una mucha hombra sale de un estadio, 2:35 de alguna manera esa masa está calculada. 2:38 Están calculando cuál es la mejor manera de salir. 2:39 Obviamente el individuo que está saliendo no lo entiende así, 2:42 pero si lo vemos como una masa vamos a ver como una especie de fluido que sale del estadio. 2:47 Entonces, ¿cómo entendemos la naturaleza? 2:49 Ahí viene la idea que cuando vemos todo ese tipo de procesos, 2:54 que pareciera que están haciendo un tipo de cómputo o cálculo, 2:58 ¿qué tal si estudiamos la naturaleza entendiendo cómo ella misma calcula? 3:02 Esa fue la idea. 3:03 Después fue un proceso, después de esta idea comenzamos a leer toda la bibliografía al respecto, 3:08 que hay muchísima de ella, pero no específicamente este tema. 3:11 Después comenzamos a ir a conferencias para ver cuál es el estado del arte de ese tipo de investigaciones. 3:15 Y finalmente nos tomamos unas cervezas con los colegas para compartir ideas. 3:19 Estos cuatro puntos normalmente que son pensar, leer, ir a conferencias y tomar cervezas, 3:25 es lo que se conoce como el método científico. 3:27 No sé qué cosa les han contado ustedes, pero créanme, esto es lo que normalmente se hace. 3:31 Bueno, hay gente que hace ese salte a los tres primeros puntos, 3:33 pero uno tiene más éxito si recibe toda la secuencia. 3:37 Bueno. 3:38 Entonces, después de hacer todo esto, comenzamos a ver la manera de cómo estudiar estos fenómenos 3:42 y lo que hicimos fue tomar uno de los sistemas que se utiliza en sistemas complejos 3:47 que se llaman automatas celulares. 3:50 Esto se define de una manera bastante simple. 3:55 Imaginemos una celda, esta de acá, por ejemplo. 3:59 Si yo soy una celda, puedo tomar cualquier cantidad de valores, 4:02 cualquier cantidad de estados o colores, como quieran llamarlos. 4:04 Imaginemos que para simplificar las cosas, 4:08 una celda que toma los colores blanco o negro, nada más. 4:10 Simplemente, ¿no? 4:11 Y mi valor en el siguiente tiempo, en el tiempo T más uno, 4:16 en el siguiente momento de evolución, como quieran llamarlo, 4:18 va a depender de mi valor actual y del valor de la derecha, 4:21 de mi vecino de la derecha y mi vecino de la izquierda. 4:23 Con esto les quiero decir que, por ejemplo, esta celda, 4:28 si su vecino de la izquierda es negro y su vecino de la derecha es blanco, 4:31 en el próximo va a cambiar a negro. 4:33 Y acá lo que tenemos es todas las posibles combinaciones. 4:36 Y bueno, estamos definiendo... 4:38 ¿Qué es lo que pasaría en cada caso? 4:39 A todo este conjunto lo llamamos una regla. 4:42 ¿No? Un algoritmo, como quieran llamarlo. 4:45 ¿Y qué es lo que pasa cuando repetimos eso iterativamente muchas veces? 4:49 Bueno, lo que tenemos es algo como esto. 4:53 Ahí no van a ver mucho, en realidad van a ver... 4:55 Sí, bueno, cosas que cambian, están cambiando de acuerdo a las reglas de arriba. 4:58 Cada una de estas celdas está cambiando de acuerdo a... 5:01 Se está actualizando de acuerdo a su valor y a los vecinos. 5:06 ¿Pero qué pasa si lo vemos como una evolución? 5:07 ¿Qué pasa si lo vemos como una evolución? 5:08 Si lo vemos como una evolución temporal, vamos a comenzar a ver cosas un poco más interesantes. 5:11 Vamos a comenzar a ver, no sé si se ve bien, pero... 5:14 Vamos a comenzar a ver algunos tipos de patrones que aparecen, 5:17 unos tipos de triángulos, no sé si los ven ahí, 5:19 que aparecen después de unos pasos de evolución. 5:23 Ojo, que este es un sistema muy, muy simple, como han visto. 5:27 No tiene nada de sofisticado y, sin embargo, 5:30 ya aparecen unos tipos de comportamiento bastante extraños. 5:34 Bueno, acá son cuatro tipos de comportamientos que aparecen 5:37 con solamente una celdita. 5:38 La primera es la negra, con cuatro reales diferentes. 5:39 Como pueden ver, es un patrón simple. 5:41 Acá una especie fractal, un comportamiento caótico 5:45 y algunas estructuras que dan un comportamiento semicomplejo. 5:48 Lo que hemos visto después es construido con ese tipo de autómatas 5:53 algunos que, por ejemplo, hacen operaciones aritméticas, como en este caso. 5:56 Esto es un número, por ejemplo, el 5 definido en un ario. 6:00 Un ario me refiero a que el 5 está en 1, 1, 1, 1, 1. 6:03 Así de fácil de definición. 6:04 Y que sumando con esto da este resultado de acá. 6:07 ¿No? 6:08 Esto lo hace con una serie de partículas y una serie de cosas. 6:11 A ustedes quizás dicen, bueno, ¿qué tiene de difícil sumar 5 más 6? 6:15 No tiene nada de difícil. 6:16 Para ustedes, porque procesan centralmente. 6:18 Pero tengan en consideración que cada una de estas celdas, 6:20 la única información que tiene es el valor que ella tiene 6:23 y el valor de sus próximos vecinos. 6:24 No sabe en absoluto el resto del sistema. 6:26 Y, sin embargo, el comportamiento global es lo que está haciendo, es una suma. 6:29 Eso es lo extraño. 6:31 Bueno, y acá tenemos una resta, acá tenemos una multiplicación. 6:35 También hemos hecho, hemos hecho incluso, 6:38 hemos hecho un montón de puertas lógicas con esto. 6:40 Si creen que un ario no sirve para mucho, que es cierto, 6:42 esto lo hacemos también con números binarios. 6:45 Ya de por sí esto es exponencialmente más rápido que lo que hace cualquier computadora, 6:49 porque la computadora lo hace secuencialmente con un montón de puertas lógicas, una por una. 6:53 Esto lo hace todo a la vez, en paralelo. 6:55 ¿No? Que es muchísimo más rápido. 6:57 Entonces, ¿cuál es la idea un poco detrás de esto? 6:59 Es, si ven, cualquiera de estas líneas, 7:02 cualquiera de esas líneas lo podemos ver como una red en donde cada celda depende de sí misma. 7:08 Y de sus vecinos, ¿no? 7:09 Y así para cada una de las celdas, al infinito, para los lados, ¿no? 7:13 Pero ese es el único tipo de red que tenemos. 7:15 Definitivamente no, tenemos otros tipos de redes, como por ejemplo, 7:18 un grupo de hormigas puede ser considerado una red. 7:22 Un grupo de células también puede ser otro tipo de red. 7:25 Un grupo de neuronas puede ser otro tipo de red. 7:27 Y así tenemos diferentes tipos de redes que hay en la naturaleza. 7:34 Entonces la idea que tenemos, la idea que estamos investigando y que discutimos hace un buen tiempo es, 7:38 ¿de qué manera pueden calcular todos estos tipos diferentes de redes? 7:41 Con eso es tratar de hacer un catálogo. 7:43 Esto es un proyecto muy largo plazo, ojo. 7:45 Hacer un catálogo de todos esos tipos de cálculo. 7:47 Ojo, como se han dado cuenta, las cosas que encontramos ahí 7:49 son cosas que calculan totalmente diferente de como nosotros estamos acostumbrados a hacerlo. 7:54 Una vez que tengamos ese catálogo es contrastarlo con lo que vemos en la naturaleza 7:57 y tratar de armar una especie de piedra roseta para entender cómo calcula la naturaleza. 8:03 Eso es un poco el proyecto que tenemos a largo plazo 8:04 y eso es un poco la idea que quería compartir con ustedes. 8:06 Imagínense si podemos llegar a entender la naturaleza a ese nivel, 8:09 que es un nivel mucho más fundamental que el que tenemos ahora. 8:12 Gracias. Transcripción automática. Puede equivocarse, sobre todo con nombres propios.
