En el campo de la ciencia de materiales, el uso del Aprendizaje Multi-Tarea (MTL) ha sido una práctica común para predecir propiedades físicas relacionadas. Sin embargo, un estudio reciente ha desafiado esta idea al analizar un amplio conjunto de datos de aleaciones metálicas con desequilibrios extremos entre tareas.
Los resultados obtenidos revelan que, en este escenario particular, el MTL puede degradar significativamente el rendimiento de ciertas propiedades, como la resistividad y la dureza, mientras que mejora la capacidad de recobrar clasificaciones para la formación de estructuras amorfas. Esta dicotomía se atribuye a las diferencias en las formas funcionales de cada propiedad, lo que lleva a desalineaciones graves en los gradientes durante la optimización.
Para abordar este problema, se han evaluado técnicas de Regresión Desbalanceada Profunda, encontrando que proyectar gradientes conflictivos (PCGrad) puede recuperar el rendimiento de una sola tarea. Asimismo, la combinación de suavizado de la distribución de etiquetas con normalización de gradientes logra el mejor equilibrio general entre las diferentes tareas.
En este contexto, surge la propuesta de un marco estratégico que sugiere la utilización de modelos independientes para una caracterización de alta precisión, mientras que el MTL se reserva para un cribado de alta velocidad donde la recuperación de información es fundamental.
Estos hallazgos respaldan una hipótesis de "agrupación de propiedades de materiales", indicando que los diferentes mecanismos físicos requieren estrategias de optimización especializadas para superar la transferencia negativa entre tareas.
En Q2BSTUDIO, empresa especializada en el desarrollo de software a medida y soluciones tecnológicas innovadoras, ofrecemos servicios en áreas clave como inteligencia artificial, ciberseguridad, servicios cloud en AWS y Azure, inteligencia de negocio, entre otros. Para saber más sobre nuestras soluciones específicas, te invitamos a visitar nuestra página sobre Inteligencia Artificial para empresas.