Nobel de Física premia inteligência artificial

Redação do Site Inovação Tecnológica - 08/10/2024

Tudo começou com uma inspiração no funcionamento do cérebro, mas a física estatística foi crucial para a criação de ferramentas práticas.
[Imagem: Johan Jarnestad/RSAS]

Redes neurais e aprendizado de máquina

O Prêmio Nobel de Física de 2024 foi concedido a John J. Hopfield e Geoffrey E. Hinton por seus trabalhos que deram origem às redes neurais artificiais e ao aprendizado de máquina, os nomes mais técnicos por trás de tudo o que entendemos como inteligência artificial.

John Hopfield, da Universidade de Princeton, nos EUA, criou uma memória associativa que consegue armazenar e reconstruir imagens e outros tipos de padrões existentes nos dados.

Geoffrey Hinton, da Universidade de Toronto, no Canadá, inventou um método que consegue encontrar propriedades em dados de forma autônoma e, assim, executar tarefas como identificar elementos específicos em imagens.

Embora agora pareçam ser aplicações simples, o aprendizado de máquina usando redes neurais artificiais é uma tecnologia originalmente inspirada pela estrutura do cérebro, criando formas totalmente novas de fazer programas de computador.

Em uma rede neural artificial, por exemplo, os neurônios do cérebro são representados por nós dessas redes, que têm valores diferentes. Esses nós influenciam-se mutuamente por meio de conexões que podem ser comparadas a sinapses artificiais, que podem ser fortalecidas ou enfraquecidas. A rede é treinada desenvolvendo conexões mais fortes entre nós com valores simultaneamente altos. Com esse treinamento, ela aprende a lidar com virtualmente qualquer outra imagem que encontrar.

John Hopfield, nascido em 1933 em Chicago (EUA), e Geoffrey Hinton, nascido em 1947 em Londres (Inglaterra).
[Imagem: Niklas Elmehed/Nobel]

Os trabalhos vencedores

John Hopfield inventou uma rede dessas que usa um método para salvar e recriar padrões. Imagine os nós da rede como píxeis: A rede Hopfield utiliza a física que descreve as características de um material devido ao seu spin atômico - uma propriedade que torna cada átomo um pequeno ímã. A rede como um todo é descrita de uma maneira equivalente à energia no sistema de spin encontrado na física, e é treinada encontrando valores para as conexões entre os nós para que as imagens salvas tenham baixa energia.

Quando a rede Hopfield é alimentada com uma imagem distorcida ou incompleta, ela trabalha metodicamente através dos nós e atualiza seus valores para que a energia da rede caia. A rede, portanto, trabalha passo a passo para encontrar a imagem salva que é mais parecida com a imperfeita com a qual foi alimentada.

Geoffrey Hinton usou a rede Hopfield como base para uma nova rede que usa um método diferente: A máquina de Boltzmann, que aprende a reconhecer elementos característicos em um determinado tipo de dado. Hinton usou ferramentas da física estatística, a ciência dos sistemas construídos a partir de muitos componentes semelhantes. A máquina é treinada alimentando-a com exemplos que provavelmente surgirão quando a máquina for rodada para valer.

A máquina de Boltzmann pode ser usada para classificar imagens ou criar novos exemplos do tipo de padrão no qual foi treinada. Hinton então aprimorou essa técnica, ajudando a iniciar o atual desenvolvimento explosivo do aprendizado de máquina.