Tecnologia Científica

O sistema de aprendizado de ma¡quina la­quido se adapta a s condições de mudança
O novo tipo de rede neural pode auxiliar na tomada de decisaµes na direa§a£o auta´noma e no diagnóstico médico.
Por Daniel Ackerman - 28/01/2021


Os pesquisadores do MIT desenvolveram uma rede neural “la­quida” que varia os parametros de suas equações, aumentando sua capacidade de analisar dados de sanãries temporais. Créditos:Imagem: Jose-Luis Olivares, MIT

Os pesquisadores do MIT desenvolveram um tipo de rede neural que aprende no trabalho, não apenas durante a fase de treinamento. Esses algoritmos flexa­veis, chamados de redes “la­quidas”, mudam suas equações subjacentes para se adaptar continuamente a novas entradas de dados. O avanço pode ajudar na tomada de decisaµes com base em fluxos de dados que mudam com o tempo, incluindo aqueles envolvidos em diagnósticos médicos e direção auta´noma.

“Este éum caminho a seguir para o futuro do controle de robôs, processamento de linguagem natural, processamento de va­deo - qualquer forma de processamento de dados de sanãries temporais”, disse Ramin Hasani, o principal autor do estudo . “O potencial érealmente significativo.”

A pesquisa seráapresentada na Conferência AAAI sobre Inteligaªncia Artificial em fevereiro. Além de Hasani, um pa³s-doutorado no Laborata³rio de Ciência da Computação e Inteligaªncia Artificial do MIT (CSAIL), os co-autores do MIT incluem Daniela Rus, diretora do CSAIL e o Professor Andrew e Erna Viterbi de Engenharia Elanãtrica e Ciência da Computação, e o aluno de PhD Alexander Amini. Outros co-autores incluem Mathias Lechner do Instituto de Ciência e Tecnologia da austria e Radu Grosu da Universidade de Tecnologia de Viena.

Dados de sanãries temporais são onipresentes e vitais para nossa compreensão do mundo, de acordo com Hasani. “O mundo real éfeito de sequaªncias. Atéa nossa percepção - vocênão estãopercebendo imagens, estãopercebendo sequaªncias de imagens ”, diz ele. “Portanto, os dados da sanãrie temporal realmente criam nossa realidade.”

Ele aponta o processamento de va­deo, dados financeiros e aplicativos de diagnóstico médico como exemplos de sanãries temporais que são centrais para a sociedade. As vicissitudes desses fluxos de dados em constante mudança podem ser imprevisa­veis. No entanto, analisar esses dados em tempo real e usa¡-los para antecipar o comportamento futuro pode impulsionar o desenvolvimento de tecnologias emergentes, como carros auta´nomos. Então, Hasani construiu um algoritmo adequado para a tarefa.

Hasani projetou uma rede neural que pode se adaptar a  variabilidade dos sistemas do mundo real. Redes neurais são algoritmos que reconhecem padraµes analisando um conjunto de exemplos de “treinamento”. Costuma-se dizer que eles imitam as vias de processamento do cérebro - Hasani inspirou-se diretamente no nemata³ide microsca³pico C. elegans . “Ele tem apenas 302 neura´nios em seu sistema nervoso”, diz ele, “mas pode gerar uma dina¢mica inesperadamente complexa”.

Hasani codificou sua rede neural com atenção especial em como os neura´nios de C. elegans se ativam e se comunicam entre si por meio de impulsos elanãtricos. Nas equações que usou para estruturar sua rede neural, ele permitiu que os parametros mudassem ao longo do tempo com base nos resultados de um conjunto aninhado de equações diferenciais.

Essa flexibilidade éfundamental. O comportamento da maioria das redes neurais écorrigido após a fase de treinamento, o que significa que elas são ruins para se ajustar a smudanças no fluxo de dados de entrada. Hasani diz que a fluidez de sua rede “la­quida” a torna mais resistente a dados inesperados ou barulhentos, como se uma chuva forte obscurecesse a visão de uma ca¢mera em um carro que dirige sozinho. “Portanto, émais robusto”, diz ele.

Ha¡ outra vantagem na flexibilidade da rede, acrescenta: “a‰ mais interpreta¡vel”.

Hasani diz que sua rede la­quida contorna a inescrutabilidade comum a outras redes neurais. “Apenas mudando a representação de um neura´nio”, o que Hasani fez com as equações diferenciais, “vocêpode realmente explorar alguns graus de complexidade que não poderia explorar de outra forma”. Graças ao pequeno número de neura´nios altamente expressivos de Hasani, émais fa¡cil perscrutar a “caixa preta” da tomada de decisão da rede e diagnosticar porque a rede fez uma certa caracterização.

“O modelo em si émais rico em expressividade”, diz Hasani. Isso pode ajudar os engenheiros a entender e melhorar o desempenho da rede de la­quidos.

A rede de Hasani se destacou em uma bateria de testes. Ele ultrapassou outros algoritmos de sanãrie temporal de última geração em alguns pontos percentuais ao prever com precisão os valores futuros em conjuntos de dados, variando da química atmosfanãrica aos padraµes de tra¡fego. “Em muitas aplicações, vemos que o desempenho éalto e confia¡vel”, diz ele. Além disso, o tamanho pequeno da rede significava que ela completou os testes sem um custo de computação elevado. “Todo mundo fala em expandir sua rede”, diz Hasani. “Queremos diminuir a escala, ter menos nós, mas mais ricos.”

Hasani planeja continuar aprimorando o sistema e prepara¡-lo para aplicação industrial. “Temos uma rede neural comprovadamente mais expressiva que éinspirada pela natureza. Mas este éapenas o começo do processo ”, afirma. “A questãoa³bvia écomo vocêestende isso? Acreditamos que este tipo de rede pode ser um elemento-chave dos sistemas de inteligaªncia futuros. ”

Esta pesquisa foi financiada, em parte, pela Boeing, a National Science Foundation, o Austrian Science Fund e Electronic Components and Systems for European Leadership.

 

.
.

Leia mais a seguir