Uma Nova Era em Algoritmos de Aprendizagem 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 esclarece como o cérebro humano se adapta e ajusta as conexões entre os neurônios durante o aprendizado. 

Essa descoberta não apenas aprimora nossa compreensão da aprendizagem em redes cerebrais, mas também tem o potencial de inspirar o desenvolvimento de algoritmos de aprendizagem mais rápidos e robustos em inteligência artificial (IA).

Princípio de aprendizagem cerebral: Configuração prospectiva

A essência da aprendizagem reside emdentquais componentes no fluxo de processamento de informações são responsáveis ​​por erros na saída. Em IA, isso é realizado por meio da retropropagação, onde os parâmetros de um modelo são ajustados para minimizar os erros de saída.

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

Por exemplo, os humanos conseguem aprender novas informações após um único contato, enquanto os sistemas artificiais frequentemente necessitam de centenas de repetições com os mesmos dados para compreendê-los. Além disso, os humanos podem adquirir novos conhecimentos enquanto retêm as informações existentes, ao passo que a introdução de novos dados em redes neurais artificiais pode interferir e degradar o conhecimento prévio.

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

Em 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 singular, denominada “configuração prospectiva”, é considerada uma característica eficiente da aprendizagem humana, reduzindo a interferência e preservando o conhecimento existente, acelerando assim o processo de aprendizagem.

Simulação e validação

Os pesquisadores corroboraram 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 perdesse a capacidade de ouvir o rio (devido a uma orelha danificada), ele também perderia a capacidade de sentir o cheiro do 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 de 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 Nuffield de Neurociências Clínicas de Oxford, enfatizou a necessidade de preencher a lacuna entre os modelostrace nossa compreensão da anatomia do cérebro. Pesquisas futuras visam desvendar como o algoritmo de configuração prospectiva é implementado em redes corticais anatomicamentedent.

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