Paper: Trabajo de Investigación

Bacterias que viven solo a base de electricidad pueden ser las baterías biológicas del futuro

Marcillo Cedeño Adolfo Antonio

Escuela Superior Politécnica Agropecuaria De Manabí “Manuel Félix López”

Calceta, Ecuador 

AA_marce@hotmail.com

Resumen — En el mundo microscópico existen todo tipo de seres que desafían a la lógica, que consiguen sobrevivir con métodos que no vemos en ningún otro medio; las bacterias son expertas en este tipo de supervivencia en situaciones extremas, pero las que se lleva la palma son las bacterias que comen electricidad. Estos seres se pegan a rocas y metales, de donde consiguen los electrones que pasan a formar parte de su organismo y les aportan energía, sin necesidad de hacer metabolismo para extraerla de nutrientes. Este tipo de seres vivos pueden tener una utilidad muy valiosa para el desarrollo tecnológico. Por ejemplo, para crear dispositivos bio-mecánicos que aprovechen la energía de su alrededor para funcionar

Palabras claves — Baterías del Futuro, dispositivos bio-mecánicos

I.        INTRODUCCIÓN

La investigación muestra que es posible para que las bacterias se encuentran directamente sobre la superficie de un metal o mineral y de transferencia de carga eléctrica a través de sus membranas celulares. Esto significa que es posible que las bacterias 'sujeción' directamente a electrodos - con lo que los científicos un paso más cerca de crear células de combustible microbianas eficientes o "bio-baterías. [1]

En una investigación anterior publicada por PNAS en 2009, el equipo demostró el mecanismo por el cual las bacterias sobreviven en ambientes libres de oxígeno mediante la construcción de los cables eléctricos que se extienden a través de la pared celular y hacen contacto con un mineral - un proceso llamado respiración hierro o 'rocas de respiración ». [2]

II.      DESARROLLO DE CONTENIDOS

En el mundo microscópico que vive alejado de nuestra vista existen todo tipo de seres que desafían a la lógica, que consiguen sobrevivir con métodos que no vemos en ningún otro medio; las bacterias son expertas en este tipo de supervivencia en situaciones extremas, pero las que se lleva la palma son las bacterias que comen electricidad. Estos seres se pegan a rocas y metales, de donde consiguen los electrones que pasan a formar parte de su organismo y les aportan energía, sin necesidad de hacer metabolismo para extraerla de nutrientes. [3]

SERES VIVOS QUE DESAFÍAN DEFINICIONES

Los investigadores hayan realizado varios experimentos para comprobar hasta qué punto llega este consumo de electricidad; y los resultados son sorprendentes y llegan a la conclusión de que básicamente estos seres comen y excretan electricidad. Y lo hacen sin necesidad de ATP, una molécula que utiliza la inmensa mayoría de seres vivos para almacenar energía en forma de electrones y transportarla de un lado a otro de la célula; en cambio estas bacterias eléctricas no necesitan ese compuesto y pueden gestionar la energía en estado puro.

Este tipo de seres vivos pueden tener una utilidad muy valiosa para el desarrollo tecnológico. Por ejemplo, para crear dispositivos bio-mecánicos que aprovechen la energía de su alrededor para funcionar, sin necesidad de conectarlos a la red eléctrica. Incluso se ha descubierto que algunas de estas bacterias forman sus propios “cables”, filamentos capaces de llevar electrones a través de varios centímetros (una gran distancia si tenemos en cuenta que estas bacterias miden entre 3 y 4 micrómetros de largo). Comunidades de decenas de miles de bacterias usan estos cables para ayudarse mutuamente; son capaces de transmitir electricidad tan bien como un cable de cobre, abriendo la puerta al desarrollo de bio-cables. [3]

III.   CONCLUSIÓN

Estos seres que viven a base de la electricidad y según indagaciones podrían ser las baterías del futuro ya que estas bacterias podrían dar paso al desarrollo tecnológico mediante la creación de dispositivos bio-mecanicos que aprovecharían la energía de su alrededor para funcionar. 

BIBLIOGRAFÍA

[1] Universidad de East Anglia (2013).Electricidad limpia a partir de bacterias. Disponible en: http://www.sciencedaily.com/releases/2013/03/130325183900.htm

[2] Universidad de East Anglia (2011). El uso de microbios para generar electricidad. Disponible en: http://www.sciencedaily.com/releases/2011/05/110523152337.htm

[3] Catalina Brahic. (2014). CIENCIAS: Una nueva técnica permite al amputado experimentar el tacto con mano biónica. Disponible en: http://www.newscientist.com/article/dn25894-meet-the-electric-life-forms-that-live-on-pure-energy.html#.U9f3FPl5Nna

Búsqueda Local en Espacios Continuos y Búsqueda online y Ambientes Desconocidos

INTRODUCCIÓN.

Se trata de entender de como el agente hace una búsqueda en espacio continuo o una búsqueda online por lo que esta búsqueda solo se basa en lo que está pasando en ese estado para tomar de nuevo otra acción.

MARCO TEÓRICO

Búsqueda local en espacios continuos.

Aun ninguno de los algoritmos descritos puede manejar espacios de estados continuos, la función sucesor en la mayor parte de casos devuelve infinitamente muchos estados! la técnicas de búsqueda local para encontrar soluciones optimas en espacios continuos.

Un modo de evitar problemas continuos es simplemente discretizar la vecindad de cada estado. Podemos aplicar entonces cualquiera de los algoritmos de búsqueda local descritos anteriormente. Uno puede aplicar también la ascensión de colinas estocástica y el temple simulado directamente, sin discretizar el espacio. Estos algoritmos eligen a los sucesores aleatoriamente, que pueden hacerse por la generación de vectores aleatorios de longitud.

Los métodos locales de búsqueda sufren de máximos locales, crestas, y mesetas tanto en espacios de estados continuos como en espacios discretos. Se pueden utilizar el reinicio aleatorio y el temple simulado y son a menudo provechosos. Los espacios continuos dimensionalmente altos son, sin embargo, lugares grandes en los que es fácil perderse.

Un problema de optimización está restringido si las soluciones debieran satisfacer algunas restricciones sobre los valores de cada variable. La dificultad de los problemas de optimización con restricciones depende de la naturaleza de las restricciones y la función objetivo. La categoría más conocida es la de los problemas de programación lineal en los cuales las restricciones deben ser desigualdades lineales formando una región convexa y la función objetiva es también lineal. Los problemas de programación lineal pueden resolverse en tiempo polinomial en el número de variables. También se han estudiado problemas con tipos diferentes de restricciones y funciones objetivo (programación cuadrática, programación

cónica de segundo orden, etcetera).

Agentes de búsqueda online y ambientes desconocidos

Un agente de búsqueda en línea (online) funciona intercalando el cálculo y la acción: primero toma una acción, entonces observa el entorno y calcula la siguiente acción. La búsqueda online es una buena idea en dominios dinámicos o semidinamicos (dominios donde hay una penalización por holgazanear y por utilizar demasiado tiempo para calcular). La búsqueda online es una idea incluso mejor para dominios estocásticos. En general, una búsqueda offline debería presentar un plan de contingencia exponencialmente grande que considere todos los acontecimientos posibles, mientras que una búsqueda online necesita solo considerar lo que realmente pasa.

La búsqueda online es una idea necesaria para un problema de exploración, donde los estados y las acciones son desconocidos por el agente; un agente en este estado de ignorancia debe usar sus acciones como experimentos para determinar que hacer después, y a partir de ahí debe intercalar el cálculo y la acción.

CONCLUSIÓN.

Estas búsquedas solo consideran lo que realmente pasa en ese estado y después tomar nuevas acciones ya que en otras busque necesitan tener una visión general del problema para así poder realizar una acción.

BIBLIOGRAFÍA

Russell, S. y Norvig, P. 2004. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO. PEARSON EDUCACION. 2 ed. Madrid.

Introducción a Prolog

INTRODUCCIÓN.

Se define que es el conocimiento en la inteligencia artificial de cómo está compuesto un sistema de inteligencia artificial para asi tener una idea de cómo resuelve los problemas la inteligencia artificial.

MARCO TEÓRICO

Que es el conocimiento?

Conocimiento:

  v  La parte fundamental de cualquier sistema que utiliza Inteligencia Artificial es el Conocimiento.

  v  Los sistemas con Inteligencia Artificial adquieren el conocimiento a partir de la Educación o de la experiencia. La computadora obtiene el conocimiento, de forma general, a partir de uno o varios expertos humanos en determinada rama del saber.

  v  El conocimiento está formado por hechos, conceptos, teorías, relaciones y prcedimientos. Es información que ha sido organizada y analizada para ser formalizada para su utilización en la solución de problemas y en la toma de decisiones.

  v  El proceso de obtención del conocimiento para ser utilizado en sistemas inteligentes, es conocido como ciencia del conocimiento, es un proceso sumamente complicado y de gran repercusión en el resultado final del sistema.

  v  El conocimiento obtenido, queda expresado formalmente en Modelos de Representación del Conocimiento. Cada modelo tiene un uso específico según el tipo de problema que se quiere representar.

PARTES DE UN SISTEMA DE INTELIGENCIA ARTIFICIAL

  v  La Base de Conocimiento está formada por Hechos y Relaciones.

  v  La Máquina de Inferencias tiene los procedimientos y reglas para trabajar con la base del conocimiento.

  v  A partir de la creación de la Base de Conocimiento, la computadora está en condiciones de utilizar las técnicas de Inteligencia Artificial para pensar y razonar

LA INTELIGENCIA ARTIFICIAL vs. LA COMPUTACION TRADICIONAL

  v  En un programa convencional se le dice a la computadora cómo resolver el problema.

  

  v  En un programa de Inteligencia Artificial se le dice a la computadora qué problema resolver.

CRITERIOS PARA EL ÉXITO

Criterios para el éxito en una aplicación de inteligencia artificial

     -       Debe existir una tarea bien definida.

     -       Debe existir un procedimiento ya instrumentado que ejecute la tarea.

     -       Debe existir un conjunto de regularidades y restricciones identificables a partir de las cuales el procedimiento instrumentado se pueda ejecutar.

Preguntas adicionales para el éxito

.¿Resuelve la aplicación un problema real?.

.¿Crea la aplicación una nueva oportunidad?.

Lenguajes de programación de la I.A

LISP

El lenguaje LISP (LISt Processing) se considera el lenguaje declarativo más antiguo, fue diseñado por John McCarthy en el Massachusetts Institute of Technology (MIT) alrededor del año 1960.

El lenguaje LISP en su forma pura es netamente un lenguaje aplicativo, la única estructura de control es la aplicación de funciones a argumentos; y un programa LISP no es más que una expresión construida a partir de la aplicación de funciones.

El LISP es el segundo entre los lenguajes de programación más viejos y con un empleo extenso actualmente, el primero es el lenguaje FORTRAN.

LENGUAJES DE PROGRAMACIÓN: PROLOG

El lenguaje Prolog (acronismo de PROgramación LÓGica) se creó en la década del 70 por Alain Colmerouer y sus colaboradores de la Facultad de Ciencias en Marsella, Francia.

Esta idea en el diseño del lenguaje le da la capacidad de hacer que una computadora simule el proceso del pensamiento haciendo deducciones a partir de información dada en forma lógica.

Prolog utiliza árboles como su estructura básica. En un programa Prolog cada árbol es un hecho o un átomo de conocimiento y la naturaleza bidimensional de los árboles contribuye a la potencia de expresión del lenguaje.

Definición sintáctica simple

Un programa Prolog es un conjunto de cláusulas que declaran, en forma lógica, el conocimiento sobre un determinado problema. Estas cláusulas se definen como hechos (elementos que se dan por verdaderos) y reglas que expresan las condiciones que se tienen que cumplir para probar un determinado objetivo.

CONCLUSIÓN.

La promoción en prolog trata de darnos una idea de cómo se resuelven los problemas de la inteligencia artificial lo cual hay q tener una buena base del conocimiento como también las reglas para una buena resolución.

BIBLIOGRAFÍA

Russell, S. y Norvig, P. 2004. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO. PEARSON EDUCACION. 2 ed. Madrid.

Algoritmos de Búsqueda Local y Problemas de Optimización

INTRODUCCIÓN.

Estos algoritmos de búsqueda local son eficientes en resolución de problemas y su principal ventaja es que usa poca memoria es decir una cantidad constante y encuentra soluciones en estados grandes.

MARCO TEÓRICO

Algoritmos de búsqueda local y problemas de optimización

Los algoritmos de búsqueda local funcionan con un solo estado actual (más que múltiples caminos) y generalmente se mueve solo a los vecinos del estado. Típicamente, los caminos seguidos por la búsqueda no se retienen. Aunque los algoritmos de búsqueda local no son sistemáticos, tienen dos ventajas claves: usan muy poca memoria (por lo general una cantidad constante) y pueden encontrar a menudo soluciones razonables en espacios de estados grandes o infinitos (continuos) para los cuales son inadecuados los algoritmos sistemáticos.

Además de encontrar los objetivos, los algoritmos de búsqueda local son útiles para resolver problemas de optimización puros, en los cuales el objetivo es encontrar el mejor estado según una función objetivo Muchos problemas de optimización no encajan en el modelo <estándar> de búsqueda.

Para entender la búsqueda local, encontraremos muy útil considerar la forma o el paisaje del espacio de estados. El paisaje tiene <posición> (definido por el estado) y <elevación> (definido por el valor de la función de coste heurística o función objetivo). Si la elevación corresponde al costo, entonces el objetivo es encontrar el valle más bajo (un mínimo global); si la elevación corresponde a una función objetivo, entonces el objetivo es encontrar el pico más alto (un máximo global) (Puedes convertir uno en el otro solamente al insertar un signo menos.) Los algoritmos de búsqueda local exploran este paisaje. Un algoritmo de búsqueda local completo siempre encuentra un objetivo si existe; un algoritmo optimo siempre encuentran un mínimo/máximo global.

Búsqueda de Ascensión de Colinas

el algoritmo de busqueda de ascensión de colinas es simplemente un bucle que continuamente se mueve en dirección del valor creciente, es decir cuesta arriba. Termina cuando alcanza <un pico> en donde ningún vecino tiene un valor más alto. El algoritmo no mantiene un árbol de búsqueda, sino una estructura de datos del nodo actual que necesita solo el registro del estado y su valor de función objetivo. La ascensión de colinas no mira delante más allá de los vecinos inmediatos del estado actual.

A veces a la ascensión de colinas se le llama búsqueda local voraz porque toma un estado vecino bueno sin pensar hacia donde ir después. Aunque la avaricia sea considerada uno de los siete pecados mortales, resulta que los algoritmos avaros a menudo funcionan bastante bien. La ascensión de colinas a menudo hace el progreso muy rápido hacia una solución, porque es por lo general bastante fácil mejorar un estado malo. Lamentablemente, la ascensión de colinas a menudo se atasca por los motivos siguientes:

    v  Máximo local: un máximo local es un pico que es más alto que cada uno de sus estados vecinos, pero más abajo que el máximo global. Los algoritmos de ascensión de colinas que alcanzan la vecindad de un máximo local irán hacia el pico, pero entonces se atascaran y no podrán ir a ninguna otra parte.

    v  Crestas: las crestas causan una secuencia de máximos locales que hace muy difícil la navegación para los algoritmos avaros.

    v  Meseta una meseta es un área del paisaje del espacio de estados donde la función de evaluación es plana. Puede ser un máximo local plano, del que no existe ninguna salida ascendente, o una tarraza por la que se pueda avanzar. Una búsqueda de ascensión de colinas podría ser incapaz de encontrar su camino en la meseta.

El éxito de la ascensión de colinas depende muchísimo de la forma del paisaje del espacio de estados: si hay pocos máximos locales y mesetas, la ascensión de colinas con reinicio aleatorio encontrara una solución buena muy rápidamente.

Búsqueda de Temple Simulado.

Un algoritmo de ascensión de colinas que nunca hace movimientos <cuesta abajo> hacia estados con un valor inferior (o coste más alto) garantiza ser incompleto, porque puede estancarse en un máximo local. En contraste, un camino puramente aleatorio, es decir moviéndose a un sucesor elegido uniformemente aleatorio de un conjunto de sucesores, es completo, pero sumamente ineficaz. Por lo tanto, parece razonable intentar combinar la ascensión de colinas con un camino aleatorio de algún modo que produzca tanta eficacia como completitud.

El bucle interno del algoritmo del temple simulado es bastante similar a la ascensión de colinas. En vez de escoger el mejor movimiento, sin embargo, escoge un movimiento aleatorio. Si el movimiento mejora la situación, es siempre aceptado. Por otra parte, el algoritmo acepta el movimiento con una probabilidad menor que uno. La probabilidad se disminuye exponencialmente con la <maldad> de movimiento (la cantidad ΔE por la que se empeora la evaluación). La probabilidad también disminuye cuando <la temperatura> T baja: los <malos> movimientos son más probables al comienzo cuando la temperatura es alta, y se hacen más improbables cuando T disminuye. Uno puede demostrar que si el esquema disminuye Tbastante despacio, el algoritmo encontrara un óptimo global con probabilidad cerca de uno.

Búsqueda por Haz Local

Guardar solamente un nodo en la memoria podría parecer una reacción extrema para el problema de limitaciones de memoria. El algoritmo^10 de búsqueda por haz local guarda la pista de K estados (no solo uno). Comienza con estados generados aleatoriamente. En cada paso, se generan todos los sucesores de los K estados. Si alguno es un objetivo, paramos el algoritmo. Por otra parte, se seleccionan los K mejores sucesores de la lista completa y repetimos.

A primera vista, una búsqueda por haz local con K estados podría parecerse a ejecutar K reinicios aleatorios en paralelo en vez de en secuencia. De hecho, los dos algoritmos son bastantes diferentes. En una búsqueda de reinicio aleatorio, cada proceso de búsqueda se ejecuta independientemente de los demás. En una búsqueda por haz local la información útil es pasada entre los k hilos paralelos de búsqueda. Por ejemplo, si un estado genera varios sucesores buenos y los otros K-1 estados generan sucesores malos, entonces el efecto es que el primer estado dice a los demás, <￡Venid aquí, la hierba es más verde!> El algoritmo rápidamente abandona las búsquedas infructuosas y mueve sus recursos a donde se hace la mayor parte del progreso.

Algoritmos Genéticos

Un algoritmo genético (o AG) es una variante de la búsqueda de haz estocástica en la que los estados sucesores se generan combinando dos estados padres, más que modificar un solo estado. La analogía a la selección natural es la misma que con la búsqueda de haz estocástica, excepto que ahora tratamos con reproducción sexual más que con la reproducción asexual.

Como en la búsqueda de haz, los AGs comienzan con un conjunto de K estados generados aleatoriamente, llamados población Cada estado, o individuo está representado como una cadena sobre un alfabeto finito (el más común, una cadenas de 0s y 1s).

CONCLUSIÓN.

Los métodos de  búsqueda local manteniendo sólo un número pequeño de nodos en menoría. Los algoritmos de búsqueda local Iniciar con una solución inicial generada aleatoriamente, o hallada con algún otro algoritmo.

BIBLIOGRAFÍA

Russell, S. y Norvig, P. 2004. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO. PEARSON EDUCACION. 2 ed. Madrid.

Funciones Heurística

INTRODUCCIÓN.

La búsqueda heurística dispone de alguna información sobre la proximidad del estado objetivo, por lo que explorar los lugares más prometedores en encontrar el estado objetivo.

MARCO TEÓRICO

FUNCIONES HEURÍSTICA

El efecto de la precisión heurística en el rendimiento

Una manera de caracterizar la calidad de una heurística es el b* factor de ramificación eficaz. Si el número total de nodos generados por A* para un problema particular es N, y la profundidad de la solución es d. entonces b* es factor de ramificación que un árbol uniforme de profundidad d deberá tener para  contener N + 1 nodos. Así,

N+1=1+b*+ (b*)^2+……….. (b*)^d

Por lo tanto, las  medidas experimentales de b* sobre un pequeño conjunto de problemas pueden proporcionar una buena guía para la utilidad total de la heurística. Una heurística bien diseñada tendría un valor de b cerca de 1, permitiría resolver problemas bastante grandes.

Aprendizaje de heurísticas desde la experiencia

Una función heurística h(n), como se supone, estima el costo de una solución que comienza desde el estado en el nodo n. Los métodos de aprendizaje inductivos trabajan mejor cuando se les suministrar características de un estado que sean relevante para su evaluación, más que sólo la descripción del estado.

A partir de esto, se puede utilizar un algoritmo de aprendizaje inductivo para construir una función h(n) que pueda predecir los costos solución para otros estados que surjan durante la búsqueda. Las técnicas para hacer esto, está basado en la  utilización de  redes neuronales, árboles de decisión. Y otros métodos.

CONCLUSIÓN.

El éxito de esta función heurística es depende de la información heurística ya que dependiendo de esta heurística se puede e encontrar el estado objetivo de una manera eficiente o más rápida.

BIBLIOGRAFÍA

Russell, S. y Norvig, P. 2004. INTELIGENCIA ARTIFICIAL. UN ENFOQUE MODERNO. PEARSON EDUCACION. 2 ed. Madrid.