Uma Nova Era em Algoritmos de Aprendizado Inspirados no Cérebro

Pesquisadores da Unidade de Dinâmica de Redes Cerebrais do MRC e do Departamento de Ciência da Computação da Universidade de Oxford revelaram um princípio inovador que lança luz sobre como o cérebro humano se adapta e ajusta as conexões entre neurônios durante o aprendizado. 

Esta descoberta não apenas aprimora nossa compreensão do aprendizado dentro das redes cerebrais, mas também tem o potencial de inspirar o desenvolvimento de algoritmos de aprendizado mais rápidos e robustos na inteligência artificial (IA).

Princípio de aprendizado cerebral: Configuração prospectiva

A essência do aprendizado reside em identificar quais componentes no pipeline de processamento de informações são responsáveis por erros na saída. Na IA, isso é realizado por meio de retropropagação, onde os parâmetros de um modelo são ajustados para minimizar os erros de saída.

Tem-se acreditado amplamente que o cérebro humano emprega um princípio de aprendizado semelhante. No entanto, o cérebro biológico supera os sistemas atuais de aprendizado de máquina em vários aspectos.

Por exemplo, os humanos podem aprender novas informações após encontrá-las apenas uma vez, enquanto os sistemas artificiais frequentemente exigem centenas de repetições com os mesmos dados para compreendê-las. Além disso, os humanos podem adquirir novos conhecimentos enquanto retêm informações existentes, enquanto a introdução de novos dados em redes neurais artificiais pode interferir e degradar o conhecimento existente.

Essas observações levaram os pesquisadores a buscar o princípio fundamental que rege o processo de aprendizado do cérebro. Eles examinaram conjuntos existentes de equações matemáticas que descrevem mudanças no comportamento neuronal e nas conexões sinápticas e realizaram análises e simulações minuciosas. O que descobriram desafiou a sabedoria predominante.

Nas redes neurais artificiais, algoritmos externos visam modificar as conexões sinápticas para minimizar erros, mas os pesquisadores propõem que o cérebro humano primeiro estabiliza a atividade dos neurônios em uma configuração equilibrada ideal antes de ajustar as conexões sinápticas. 

Essa abordagem única, denominada "configuração prospectiva", é considerada uma característica eficiente do aprendizado humano, reduzindo a interferência e preservando o conhecimento existente, acelerando assim o processo de aprendizado.

Simulação e validação

Os pesquisadores apoiaram suas descobertas com simulações computacionais, demonstrando que os modelos que empregam configuração prospectiva superaram as redes neurais artificiais em tarefas comumente encontradas por animais e humanos em ambientes naturais.

Para ilustrar o conceito, os pesquisadores usaram o exemplo de um urso pescando salmão. Em uma rede neural artificial, se o urso perder a capacidade de ouvir o rio (devido a um ouvido danificado), ele também perderia a capacidade de cheirar o salmão, levando à conclusão incorreta de que não há salmão no rio. 

No entanto, no cérebro animal, a ausência de som não interfere no conhecimento de que o cheiro do salmão ainda está presente, permitindo que o urso continue sua busca com sucesso.

Preenchendo a lacuna

O pesquisador principal, Professor Rafal Bogacz, da Unidade de Dinâmica de Redes Cerebrais do MRC e do Departamento de Neurociências Clínicas Nuffield de Oxford, enfatizou a necessidade de preencher a lacuna entre modelos abstratos e nossa compreensão da anatomia do cérebro. A pesquisa futura visa desvendar como o algoritmo de configuração prospectiva é implementado em redes corticais identificadas anatomicamente.

O Dr. Yuhang Song, primeiro autor do estudo, destacou os desafios de implementar a configuração prospectiva em computadores existentes devido às diferenças fundamentais entre sistemas de computador e o cérebro biológico. Ele pediu o desenvolvimento de um novo computador ou hardware dedicado inspirado no cérebro capaz de implementação rápida e energeticamente eficiente da configuração prospectiva.