Tecnologia Científica

O sistema de aprendizado de máquina líquido se adapta às condições de mudança
O novo tipo de rede neural pode auxiliar na tomada de decisões na direção autônoma e no diagnóstico médico.
Por Daniel Ackerman - 28/01/2021


Os pesquisadores do MIT desenvolveram uma rede neural “líquida” que varia os parâmetros de suas equações, aumentando sua capacidade de analisar dados de séries 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 flexíveis, chamados de redes “líquidas”, mudam suas equações subjacentes para se adaptar continuamente a novas entradas de dados. O avanço pode ajudar na tomada de decisões com base em fluxos de dados que mudam com o tempo, incluindo aqueles envolvidos em diagnósticos médicos e direção autônoma.

“Este é um caminho a seguir para o futuro do controle de robôs, processamento de linguagem natural, processamento de vídeo - qualquer forma de processamento de dados de séries temporais”, disse Ramin Hasani, o principal autor do estudo . “O potencial é realmente significativo.”

A pesquisa será apresentada na Conferência AAAI sobre Inteligência Artificial em fevereiro. Além de Hasani, um pós-doutorado no Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL), os co-autores do MIT incluem Daniela Rus, diretora do CSAIL e o Professor Andrew e Erna Viterbi de Engenharia Elétrica e Ciência da Computação, e o aluno de PhD Alexander Amini. Outros co-autores incluem Mathias Lechner do Instituto de Ciência e Tecnologia da Áustria e Radu Grosu da Universidade de Tecnologia de Viena.

Dados de séries temporais são onipresentes e vitais para nossa compreensão do mundo, de acordo com Hasani. “O mundo real é feito de sequências. Até a nossa percepção - você não está percebendo imagens, está percebendo sequências de imagens ”, diz ele. “Portanto, os dados da série temporal realmente criam nossa realidade.”

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

Hasani projetou uma rede neural que pode se adaptar à variabilidade dos sistemas do mundo real. Redes neurais são algoritmos que reconhecem padrões analisando um conjunto de exemplos de “treinamento”. Costuma-se dizer que eles imitam as vias de processamento do cérebro - Hasani inspirou-se diretamente no nematóide microscópico C. elegans . “Ele tem apenas 302 neurônios em seu sistema nervoso”, diz ele, “mas pode gerar uma dinâmica inesperadamente complexa”.

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

Essa flexibilidade é fundamental. O comportamento da maioria das redes neurais é corrigido após a fase de treinamento, o que significa que elas são ruins para se ajustar às mudanças no fluxo de dados de entrada. Hasani diz que a fluidez de sua rede “líquida” a torna mais resistente a dados inesperados ou barulhentos, como se uma chuva forte obscurecesse a visão de uma câmera em um carro que dirige sozinho. “Portanto, é mais robusto”, diz ele.

Há outra vantagem na flexibilidade da rede, acrescenta: “É mais interpretável”.

Hasani diz que sua rede líquida contorna a inescrutabilidade comum a outras redes neurais. “Apenas mudando a representação de um neurônio”, o que Hasani fez com as equações diferenciais, “você pode realmente explorar alguns graus de complexidade que não poderia explorar de outra forma”. Graças ao pequeno número de neurônios altamente expressivos de Hasani, é mais fácil perscrutar a “caixa preta” da tomada de decisão da rede e diagnosticar porque a rede fez uma certa caracterização.

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

A rede de Hasani se destacou em uma bateria de testes. Ele ultrapassou outros algoritmos de série temporal de última geração em alguns pontos percentuais ao prever com precisão os valores futuros em conjuntos de dados, variando da química atmosférica aos padrões de tráfego. “Em muitas aplicações, vemos que o desempenho é alto e confiável”, 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 prepará-lo para aplicação industrial. “Temos uma rede neural comprovadamente mais expressiva que é inspirada pela natureza. Mas este é apenas o começo do processo ”, afirma. “A questão óbvia é como você estende isso? Acreditamos que este tipo de rede pode ser um elemento-chave dos sistemas de inteligência 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