Processador de luz aprende por associação, como os cães de Pavlov
HÉLIO’S BLOG
#DivulgaçãoCientífica
Informática
Ilustração do experimento de Pavlov sobre aprendizado associativo em um chip.
[Imagem: Zengguang Cheng]
IA de Pavlov
Pesquisadores da Alemanha e do Reino Unido desenvolveram um processador óptico – que funciona com luz em vez de eletricidade – capaz de detectar semelhanças em conjuntos de dados até 1.000 vezes mais rápido do que algoritmos convencionais de aprendizado de máquina rodando em processadores eletrônicos.
O novo processador tem uma arquitetura inspirada na descoberta do condicionamento clássico de Ivan Pavlov. Em seus experimentos, Pavlov descobriu que, ao fornecer outro estímulo durante a alimentação, como o som de uma campainha, seus cães começavam a vincular as duas experiências e salivavam apenas com o som. Em outras palavras, as associações repetidas de dois eventos não relacionados ocorrendo ao mesmo tempo podem produzir um reflexo condicional, hoje conhecido como “aprendizado associativo“.
As redes neurais usadas na maioria dos sistemas de inteligência artificial (IA) geralmente exigem um número substancial de exemplos de treinamento durante um processo de aprendizado. Por exemplo, treinar um programa para reconhecer um gato de maneira confiável pode usar até 10.000 imagens de gato/não gato, o que representa um elevado custo computacional, de armazenamento, energia etc.
O processador fotônico é baseado em um paradigma diferente, conhecido como Elemento de Aprendizagem Monádica Associativa, ou AMLE, na sigla em inglês (Associative Monadic Learning Element). Em vez de usar o algoritmo de retropropagação, que está no coração de muitos avanços recentes da IA, este mecanismo usa uma memória que aprende padrões para associar características semelhantes em conjuntos de dados – imitando o reflexo condicional observado por Pavlov em seus cães.
As entradas AMLE são pareadas com as saídas corretas para supervisionar o processo de aprendizado, e o material usado como memória pode ser redefinido usando sinais de luz.
Nos testes, o AMLE conseguiu identificar corretamente imagens de gatos/não-gatos após ser treinado com apenas 5 pares de imagens – contra 10.000 da IA tradicional.
Em vez dos tradicionais neurônios e sinapses artificiais, o processador de luz aprende por associação.
[Imagem: James Y. S. Tan et al. – 10.1364/OPTICA.455864]
Aprendizagem associativa por luz
A capacidade de desempenho quase incomparável do novo chip óptico em relação a um processador eletrônico convencional se deve a duas diferenças principais em seu projeto:
- uma arquitetura de rede única, incorporando aprendizagem associativa como um bloco básico de construção, em vez de usar neurônios artificiais e uma rede neural;
- e o uso de multiplexação por divisão de comprimento de onda para enviar em um único canal vários sinais de luz, em diferentes comprimentos de onda, para aumentar a velocidade computacional.
O hardware do processador usa luz para enviar e recuperar dados para maximizar a densidade de informações – vários sinais em diferentes comprimentos de onda são enviados simultaneamente, sustentando um processamento paralelo, o que aumenta a velocidade de detecção das tarefas de reconhecimento.
“O dispositivo captura naturalmente similaridades em conjuntos de dados, e faz isso em paralelo, usando luz para aumentar a velocidade geral de computação – que pode exceder em muito as capacidades dos chips eletrônicos convencionais,” disse o professor Wolfram Pernice, da Universidade de Munique, na Alemanha.
Bibliografia:
Redação do Site Inovação Tecnológica –
Artigo: Monadic Pavlovian associative learning in a backpropagation-free photonic network
Autores: James Y. S. Tan, Zengguang Cheng, Johannes Feldmann, Xuan Li, Nathan Youngblood, Utku E. Ali, C. David Wright, Wolfram H. P. Pernice, Harish Bhaskaran
Revista: Optica
DOI: 10.1364/OPTICA.455864
Inteligência artificial inspirada na Ecologia pode ficar mais sábia
HÉLIO’S BLOG
#DivulgaçãoCientífica
Informática
Imagem gerada pelo sistema de IA DALL-E para representar “um futuro sinérgico para inteligência artificial e sistemas ecológicos complexos”.
[Imagem: Barbara Han]
IA mesclada com ecologia
A larga maioria dos sistemas de inteligência artificial atuais imita vagamente o cérebro humano, a chamada abordagem neuromórfica.
Agora, pesquisadores estão propondo que outro ramo da biologia – a ecologia – seja usada como fonte de inspiração para toda uma nova geração de IA, que poderá com isso se tornar mais poderosa, mais resiliente e socialmente responsável.
A ideia surgiu da observação de que a IA pode ser surpreendentemente boa em determinadas tarefas, mas ainda longe de ser útil noutras, e que o desenvolvimento da área está se deparando com obstáculos que os princípios ecológicos poderiam ajudá-la a superar.
A equipe defende que a união da IA com a ecologia gera uma sinergia que poderá fortalecer a IA e ajudar a resolver desafios globais complexos, como surtos de doenças, perda de biodiversidade e impactos das alterações climáticas.
“Os tipos de problemas com os quais lidamos regularmente na ecologia não são apenas desafios dos quais a IA poderia se beneficiar em termos de pura inovação – são também os tipos de problemas em que, se a IA pudesse ajudar, poderia significar muito para o bem global. Isso pode realmente beneficiar a humanidade,” defendeu Barbara Han, ecologista do Instituto Cary de Estudos de Ecossistemas, nos EUA, que liderou o estudo com seu colega Kush Varshney, da IBM.
Outra proposta contempla uma inteligência artificial “líquida”, que se adapte a variações nos dados.
[Imagem: Jose-Luis Olivares/MIT]
Como a ecologia pode tornar a IA melhor
Os sistemas de inteligência artificial são notoriamente frágeis, com consequências que vão de uma nota baixa na escola (quando ela responde incorretamente a pergunta de um estudante) a potencialmente devastadoras (quando ela erra em um diagnóstico de um câncer ou causa um acidente de carro).
O que os pesquisadores defendem é que a incrível resiliência dos sistemas ecológicos pode inspirar arquiteturas de IA mais robustas e adaptáveis. Por exemplo, o conhecimento ecológico poderia ajudar a resolver o problema do colapso do modo em redes neurais artificiais, os sistemas de IA que embasam o reconhecimento de fala, a visão computacional e muitas outras aplicações.
“O colapso do modo ocorre quando você treina uma rede neural artificial em algo, e então você a treina em outra coisa e ela esquece a primeira coisa em que foi treinada,” explicou Varshney. “Ao compreender melhor por que o colapso modal ocorre ou não nos sistemas naturais, podemos aprender como fazer com que isso não aconteça na IA.”
Uma IA inspirada em sistemas ecológicos poderá ainda incluir ciclos de retroalimentação, caminhos redundantes e estruturas de tomada de decisão. Essas atualizações de flexibilidade também poderiam contribuir para uma “inteligência mais geral” para as IAs, que poderia permitir o raciocínio e a criação de conexões além dos dados específicos nos quais o algoritmo foi treinado.
A ecologia também pode ajudar a revelar por que os grandes modelos de linguagem baseados em IA, que alimentam bate-papos como o ChatGPT, apresentam comportamentos emergentes que não estão presentes em modelos de linguagem menores. Esses comportamentos incluem “alucinações”, quando uma IA gera informações falsas. Dado que a ecologia examina sistemas complexos em vários níveis e de formas holísticas, ela é boa na captura de propriedades emergentes como essas e pode ajudar a revelar os mecanismos por trás desses comportamentos anômalos.
Além disso, já se sabe que o progresso da IA não poderá vir unicamente de tornar os modelos maiores. “Terá de haver outras inspirações e a ecologia oferece um caminho para novas linhas de pensamento,” disse Varshney.
Existem propostas para resolver o problemas da memória e do esquecimento da IA baseadas em hardware.
[Imagem: Elena Khavina/MIPT]
Vantagens de uma IA ecológica
Uma das principais vantagens na integração da ecologia e da IA estaria na síntese de grandes quantidades de dados e na localização de elos perdidos em sistemas complexos.
Os cientistas normalmente tentam compreender o mundo comparando duas variáveis de cada vez – por exemplo, como é que a densidade populacional afeta o número de casos de uma doença infecciosa. O problema é que, tal como acontece na maioria dos sistemas ecológicos complexos, a previsão da transmissão de doenças depende de muitas variáveis, e não apenas de uma.
Os ecologistas nem sempre sabem quais são todas essas variáveis, o que os limita a trabalhar com aquelas que podem ser facilmente medidas, e mesmo aí é difícil captar como essas diferentes variáveis interagem – em oposição aos fatores sociais e culturais, por exemplo.
“Em comparação com outros modelos estatísticos, a IA pode incorporar maiores quantidades de dados e uma diversidade de fontes de dados, e isso pode nos ajudar a descobrir novas interações e motivadores que talvez não considerássemos importantes,” disse Shannon LaDeau, membro da equipe. “Há muitas promessas no desenvolvimento da IA para capturar melhor mais tipos de dados, como os insights socioculturais que são realmente difíceis de resumir em um número.”
Bibliografia:
Redação do Site Inovação Tecnológica
Artigo: A Synergistic Future for AI and Ecology
Autores: Barbara A. Han, Kush R. Varshney, Shannon LaDeau, Ajit Subramaniam, Kathleen C. Weathers, Jacob Zwart
Revista: Proceedings of the National Academy of Sciences
Vol.: 120 (38) e2220283120
DOI: 10.1073/pnas.2220283120
Deusa Kwan Yin
Nanotecnologia
HÉLIO’S BLOG
#DivulgaçãoCientífica
Nanocordas podem vibrar para sempre – mais ou menos
Essas nanocordas vibram mais de 100.000 vezes por segundo e são virtualmente imunes ao ruído ambiente.
[Imagem: Richard Norte]
Vibração (quase) sem fim
Pesquisadores das universidades de Tecnologia de Delft (Países Baixos) e Brown (EUA) construíram minúsculas cordas de violão capazes de vibrar por mais tempo à temperatura ambiente do que qualquer objeto de estado sólido que se conhece.
Essas nanocordas – tecnicamente falando elas são ressonadores – vibram quase tanto quanto objetos resfriados em temperaturas próximas do zero absoluto.
“Imagine um balanço que, uma vez empurrado, continue balançando por quase 100 anos porque ele quase não perde energia através de suas cordas,” exemplificou o professor Richard Norte. “Nossas nanocordas fazem algo semelhante, mas em vez de vibrar uma vez por segundo como um balanço, nossas cordas vibram 100.000 vezes por segundo. Como é difícil vazar energia, isso também significa que é difícil para o ruído ambiental entrar, tornando-as alguns dos melhores sensores para situações de temperatura ambiente.”
Elas são essencialmente os sensores mecânicos mais sensíveis já construídos a operar em temperatura ambiente, tendo sido especialmente projetadas por inteligência artificial para reter vibrações pelo maior tempo possível, não permitindo que sua energia vaze. E, em termos de fabricação, elas foram feitas com técnicas padrão da indústria microeletrônica, o que torna a tecnologia interessante para integração com plataformas de microchip.
Embora as estranhas leis da mecânica quântica sejam normalmente vistas apenas em átomos individuais, a capacidade das nanocordas de se isolarem do nosso ruído vibracional diário baseado no calor abre uma janela para as suas próprias assinaturas quânticas – lembrando que, embora sejam “nano”, essas cordas são formadas por bilhões de átomos.
Esta inovação é fundamental para o estudo de fenômenos quânticos macroscópicos à temperatura ambiente, ambientes nos quais os fenômenos quânticos são tipicamente mascarados pelo ruído.
Tudo é feito com a tecnologia padrão da microeletrônica, permitindo o uso imediato das nanocordas em projetos de sensores e experimentos de física quântica.
[Imagem: Andrea Cupertino et al. – 10.5281/zenodo.10518818]
Usos das nanocordas
As cordas têm 3 centímetros de comprimento e 70 nanômetros de espessura. Isto é uma proporção quase inatingível no mundo macroscópico – seria o equivalente a fabricar uma corda de violão que ficasse suspensa por meio quilômetro quase sem curvatura.
“Este tipo de estrutura extrema só é viável em nanoescala, onde os efeitos da gravidade e do peso entram de forma diferente. Isto permite criar estruturas que seriam inviáveis nas nossas escalas diárias, mas são particularmente úteis em dispositivos em miniatura usados para medir quantidades físicas como pressão, temperatura, aceleração e campos magnéticos, que chamamos de detecção MEMS,” explicou o professor Andrea Cupertino, cuja equipe já havia construído o sensor de vibração mais preciso do mundo.
Essas nanocordas oferecem novos caminhos para a integração de sensores altamente sensíveis com a tecnologia de microchip padrão, viabilizando novas abordagens em detecção de vibrações ou no uso das vibrações ambientais em projetos de colheita de energia, por meio dos nanogeradores.
Um elemento importante da tecnologia é que essas nanoestrutura podem ser fabricadas perfeitamente dentro de um microchip. Para aumentar ainda mais a eficiência do projeto, a equipe usou algoritmos de aprendizado de máquina partindo de experimentos de cordas mais simples e mais curtas, refinando tudo até chegar às nanocordas mais longas e mais estáveis, o que tornou o processo de desenvolvimento econômico e eficaz.
Embora o projeto inicial tenha-se concentrado em cordas, o conceito pode ser expandido para projetos mais complexos, para medir outros parâmetros importantes, como aceleração para navegação inercial ou membranas vibratórias para microfones de próxima geração.
Bibliografia:
Redação do Site Inovação Tecnológica
Artigo: Centimeter-scale nanomechanical resonators with low dissipation
Autores: Andrea Cupertino, Dongil Shin, Leo Guo, Peter G. Steeneken, Miguel A. Bessa, Richard A. Norte
Revista: Nature Communications
Vol.: 15, Article number: 4255
DOI: 10.5281/zenodo.10518818
HÉLIO'S BLOG 