Computao neuromrfica pode tornar IA capaz de autoaprendizagem

Informtica

Redação do Site Inovação Tecnológica – 20/09/2023

Autoaprendizado de mquina

Para serem teis, aplicaes de inteligncia artificial como o ChatGPT ou o Bard precisam primeiro aprender com os dados existentes, um processo conhecido como “treinamento”, que intensivo em computao e, por decorrncia, consome muita energia.

Agora, Vctor Lpez-Pastor e Florian Marquardt, do Instituto Max Planck, na Alemanha, idealizaram uma tcnica por meio da qual a inteligncia artificial pode ser treinada com muito mais eficincia e em um tempo muito menor.

Para isso, em vez das redes neurais artificiais digitais utilizadas atualmente, a nova abordagem baseia-se em processos fsicos.

“Ns desenvolvemos o conceito de mquina fsica de autoaprendizagem,” explicou Marquardt. “A ideia central realizar o treinamento na forma de um processo fsico, em que os parmetros da mquina so otimizados pelo prprio processo.”

Para treinar as redes neurais artificiais convencionais, necessrio um feedback externo para ajustar a fora dos muitos bilhes de conexes sinpticas.

“Dispensar esse feedback torna o treinamento muito mais eficiente,” compara Marquardt. “Nosso mtodo funciona independentemente de qual processo fsico ocorre na mquina de autoaprendizagem, e nem precisamos saber o processo exato.”

Fuso de sinuca com baco

Para exemplificar seu mecanismo de autoaprendizagem, a dupla compara o processo de treinamento da inteligncia artificial como um aparelho que um hbrido de mesa de sinuca e baco. Em seu experimento mental, a bola azul, com uma carga positiva, representa o conjunto de dados de treinamento. Ao ser lanada de um lado para o outro da mesa, ela apenas passa pela bola vermelha, que tambm est carregada positivamente, mas que est livre para se mover ao longo de um eixo, como se fosse uma pedra de um baco.

medida que as duas bolas se repelem, a azul muda sua trajetria e a vermelha a sua posio no eixo. Quando a bola azul chega do outro lado da mesa, isto representa a deciso da inteligncia artificial: Se o resultado no for o esperado, a posio da bola azul alterada em conformidade.

Agora vem o passo decisivo: A bola azul enviada de volta para o outro lado a partir da posio corrigida e segue o caminho ligeiramente deslocado. No caminho de volta, a bola azul desloca novamente a bola vermelha no eixo, porm, devido correo no ponto de virada, a bola vermelha acaba ficando em uma posio ligeiramente diferente daquela no incio do processo. A “sinapse”, na forma desta esfera vermelha, portanto adaptada para dar conta do resultado corrigido e, desta forma, aprende.

Na prtica, uma mquina fsica de autoaprendizagem no poderia ser construda como um hbrido de baco e bilhar porque seria tecnicamente impossvel lidar com mais de 100 bilhes de sinapses e bilhes de dados de treino. Mas a dupla j tem em vista um hardware adequado.

Processador neuromrfico de luz

Para que esse processo autoaprendizagem fsica funcione, o processo deve cumprir algumas condies, a mais importante das quais que ele deve ser reversvel, o que significa que deve ser possvel faz-lo avanar ou retroceder com um mnimo de perda de energia. “Alm disso, o processo fsico deve ser no-linear, o que aqui significa que ele deve ser suficientemente complexo,” disse Marquardt.

Somente processos no-lineares podem realizar as complicadas transformaes entre dados de entrada e os resultados. Por exemplo, uma bola de sinuca rolando pela mesa sem colidir com outra uma ao linear; porm, se ela for perturbada por outra, a situao se torna no-linear.

Exemplos de processos reversveis e no-lineares podem ser facilmente encontrados na ptica. Por isto, os dois pesquisadores j esto em contato com uma equipe com experincia no desenvolvimento de um computador neuromrfico ptico.

Esse tipo mquina processa informaes na forma de ondas de luz sobrepostas, atravs das quais componentes adequados regulam o tipo e a fora da interao dos feixes de luz, e tudo de modo massivamente paralelo, imitando o modo de funcionamento do crebro. O objetivo dos pesquisadores colocar em prtica seu conceito de mquina fsica de autoaprendizagem usando esses processadores de luz.

Trs anos

“Esperamos poder apresentar a primeira mquina fsica de autoaprendizagem em trs anos,” prev Marquardt. Quando funcionar, isso permitir usar redes neurais com um nmero muito maior de sinapses, que podero ser treinadas com quantidades de dados significativamente maiores do que as atuais.

Quando as redes neurais puderem ser implementadas fora dos computadores digitais convencionais, substitudos por computadores neuromrficos treinados de forma eficiente, a inteligncia artificial poder romper com seu gargalo de grande pegada computacional e energtica. “Estamos, portanto, confiantes de que as mquinas fsicas de autoaprendizagem tm grandes chances de serem utilizadas no desenvolvimento da inteligncia artificial,” concluiu Marquardt.

Outras notcias sobre:

Mais tópicos