Todos conocemos el famoso Perceptron: esa red neuronal tan básica que no da solución al problema de la XOR. En principio esto es una característica muy importante y es en la que la gente se para a pensar. Pero existe otra igual de importante y es la que he estado explotando hace algunas semanas.

Si la red neuronal es enseñada adecuadamente, para un espacio de 2 dimensiones, el Perceptron es capaz de diferenciar entre 2 clases de elementos separadas por una línea recta. Un caso práctico es enseñar a la red a diferenciar números positivos de números negativos. Esta prueba ha sido la que he realizado y tras varias iteraciones y enseñando números binarios de 8 bits (donde el primero de ellos era el signo), he conseguido que con sólo aprender 4 números positivos y 4 números negativos, la red sea capaz de diferenciar correctamente los 256 números que le han sido mostrados.

Esto demuestra que una red simple puede acertar siempre, pero a mi me interesa el caso contrario: cuando falla y cuando la propia red “no sabe lo que hace”. Con esta expresión me refiero a que en una de las múltiples pruebas realizadas estuve analizando el porcentaje de fallos cometidos por el Perceptrón. La sorpresa llegó cuando de los 256 números sólo había acertado el 50% de ellos. Esto quería decir que el otro 50% lo había fallado, pero lo más interesante del asunto es que al ser justo la mitad, se podía decir que la red neuronal había “echado a cara o cruz” el tipo de número que se le presentaba.

Una moneda tiene un 50% de posibilidades de salir cara y otro 50% de salir cruz, y la red neuronal había generado ese mismo resultado: 50% acierto y 50% fallo. La pregunta que me surgió fue: ¿se pueden generar resultados aleatorios con algo tan determinista como una red neuronal? El resultado fue claro: NO. La cuestión de la aleatoriedad venía impuesta por el número indicado a la entrada de la red, y con ese número el Perceptrón realizaba operaciones deterministas que daban un resultado positivo o negativo. La cuestión de todo está en el propio número indicado. Si ese número es siempre el mismo, las operaciones y el resultado son el mismo y por ello no hay nada aleatorio.

Pero esta situación me plantea una investigación futura: si se consigue que los pesos de las conexiones del Perceptrón estén continuamente cambiando en función del número de entrada, y el propio número de entrada cambie en función de los pesos, podría ser posible generar un resultado aleatorio a la salida del perceptrón, ¿no?. Más específicamente, y haciendo una analogía con la electrónica, si se consigue una red neuronal inestable, y por ello con una realimentación positiva (tal y como sucede con los amplificadores operacionales), el resultado es realmente incierto aunque estemos en un sistema determinista.

Bueno, por si esto no sirve, también se puede usar un método que he encontrado por internet para generar números pseudoaleatorios:

1. Formas la semilla como un número decimal a partir del día y la hora, algo como s=0.ssmmhhddmmaaaaa (se pueden añadir valores de teclado)

2. random = parte decimal de (pi + s)^2

3. s = random