IA ganha eficiência quando imita restrições físicas do cérebro

Redação do Site Inovação Tecnológica - 11/12/2023

Enfrentar restrições torna o sistema mais eficiente.
[Imagem: Kohji Asakawa/Pixabay]

Restrições que ajudam

Imitar o cérebro parece ser um bom caminho para construir computadores melhores porque nosso órgão pensante é a melhor "máquina computacional" que conhecemos. Mas criar essa computação neuromórfica tem sido difícil porque estamos longe de compreender bem como o nosso cérebro funciona.

Algo que já sabemos é que os sistemas neurais, como o cérebro, precisam equilibrar demandas concorrentes para se organizar e fazer conexões. Por exemplo, são necessários energia e recursos para crescer e sustentar a rede no espaço físico e, ao mesmo tempo, para otimizar a rede para o processamento de informação. Este compromisso - o recurso precisa ir para um objetivo ou para o outro - molda todos os cérebros dentro e entre espécies, o que pode explicar porque é que muitos cérebros diferentes convergem para soluções organizacionais semelhantes.

Agora, Jascha Achterberg e colegas da Universidade de Cambridge, no Reino Unido, estão propondo que colocar restrições físicas nos sistemas de inteligência artificial - da mesma forma que o cérebro humano tem de se desenvolver e operar dentro de restrições físicas e biológicas - permitirá que esses sistemas artificialmente inteligentes desenvolvam características dos cérebros de organismos complexos, resolvendo tarefas de modo parecido.

"Isto decorre de um princípio amplo, que é o de que os sistemas biológicos geralmente evoluem para aproveitar ao máximo os recursos energéticos que têm à sua disposição. As soluções a que chegam são muitas vezes muito elegantes e refletem os compromissos entre as diversas forças que lhes são impostas," disse o professor Danyal Akarca, membro da equipe.

A abordagem desenvolvida pela equipe trará benefícios para a IA, a robótica e a neurociência.
[Imagem: Jascha Achterberg et al. - 10.1038/s42256-023-00748-9]

IA com restrições físicas

Para demonstrar seu argumento, a equipe criou um sistema artificial destinado a modelar uma versão muito simplificada do cérebro e lhe aplicou restrições físicas. Ao rodar seu sistema, eles descobriram que de fato o programa desenvolveu certas características e táticas-chave semelhantes às encontradas nos cérebros humanos.

Em vez de neurônios - sejam biológicos ou artificiais, como os memoristores -, o sistema utilizou nós computacionais. Neurônios e nós são semelhantes em função, já que cada um recebe uma entrada, transforma-a e produz uma saída. E um único nó ou neurônio pode se conectar a vários outros, todos recebendo informações de entrada para serem computadas.

Para simular as restrições físicas de um cérebro biológico, a equipe deu a cada nó uma localização específica dentro de um espaço virtual. De modo semelhante à forma como os neurônios do cérebro humano são organizados, isso significa que, quanto mais distantes dois nós estavam, mais difícil era para eles se comunicarem.

A tarefa a ser completada era simples, uma versão simplificada de uma tarefa de navegação em labirinto normalmente dada a animais como ratos e macacos ao estudar o cérebro, onde é necessário combinar várias informações para decidir o caminho mais curto para chegar ao ponto final. Os cientistas gostam dessa tarefa específica porque, para concluí-la, o sistema precisa manter uma série de elementos - local inicial, local final e etapas intermediárias - e, uma vez aprendido a executar a tarefa de maneira confiável, é possível observar, em diferentes momentos de uma prova, quais nós são importantes.

Os neurônios artificiais multissensoriais também estão tornando a IA mais inteligente, só que via hardware.
[Imagem: Tyler Henderson/Penn State]

Novas táticas de aprendizado de máquina

O sistema aprendeu a resolver a tarefa alterando a força das conexões entre seus nós, da mesma forma que a força das conexões entre as células cerebrais muda à medida que aprendemos. O programa então repete a tarefa indefinidamente, sem cometer mais erros.

Mas, em comparação com os programas desse tipo - até aqui tudo se parece com um exercício que se dá a estudantes de computação - a restrição física significava que, quanto mais distantes dois nós estivessem, mais difícil seria construir uma conexão entre os dois nós em resposta ao feedback que o programa recebe sobre seus erros. No cérebro humano, conexões que abrangem uma grande distância física são "caras" para formar e manter.

Dando suporte à hipótese dos pesquisadores, a solução que o programa encontrou para aprender usou alguns dos mesmos truques usados pelos cérebros humanos reais para resolver a tarefa. Por exemplo, para contornar as restrições, os sistemas artificiais começaram a desenvolver "repetidores", nós altamente conectados que funcionam como canais para a passagem de informações através da rede.

Mais surpreendente, porém, foi que os perfis de resposta dos próprios nós individuais começaram a mudar. Em outras palavras, em vez de ter um sistema onde cada nó codifica uma propriedade específica da tarefa do labirinto, como a localização do objetivo ou a próxima escolha, os nós desenvolveram um esquema de codificação flexível. Isso significa que, em diferentes momentos, os nós podem disparar uma mistura das propriedades do labirinto - por exemplo, o mesmo nó pode ser capaz de codificar vários locais do labirinto, em vez de precisar de nós especializados para codificar locais específicos. Esta é outra característica observada nos cérebros de organismos complexos.

"Os pesquisadores de IA estão constantemente tentando descobrir como criar sistemas neurais complexos que possam codificar e funcionar de maneira flexível e eficiente. Para conseguir isso, pensamos que a neurobiologia nos dará muita inspiração. Por exemplo, o custo geral de fiação do sistema que criamos é muito menor do que você encontraria em um sistema de IA típico," disse Akarca.

Além de ajudar a desenvolver melhores programas de inteligência artificial, a equipe acredita que seu sistema poderá começar a esclarecer como as restrições moldam as diferenças entre os cérebros das pessoas e contribuem para as diferenças observadas naquelas que enfrentam dificuldades cognitivas ou de saúde mental. E os robôs, que precisam processar uma grande quantidade de informações em constante mudança, usando recursos energéticos finitos, poderão se beneficiar de estruturas cerebrais não muito diferentes das nossas, muito mais eficientes do que os computadores.

Mais tópicos