Computação neuromórfica pode tornar IA capaz de autoaprendizagem
Uma nova técnica, chamada "máquina física de autoaprendizagem", proposta por pesquisadores do Instituto Max Planck, promete tornar o treinamento de inteligência artificial mais eficiente, eliminando a necessidade de feedback externo e dependência de processos físicos específicos, abrindo caminho para avanços significativos na IA.
Para que aplicações de inteligência artificial, como o ChatGPT ou o Bard, sejam eficazes, elas normalmente requerem um longo processo de treinamento com grandes demandas computacionais e alto consumo de energia. No entanto, Víctor López-Pastor e Florian Marquardt, pesquisadores do Instituto Max Planck, na Alemanha, introduziram uma técnica inovadora que permite o treinamento de inteligência artificial de forma mais eficiente e em menos tempo. Em vez de depender das redes neurais artificiais digitais convencionais, essa nova abordagem utiliza processos físicos, criando o conceito de “máquina física de autoaprendizagem”.
O conceito pode ser facilmente compreendido por meio de uma analogia que combina elementos de uma mesa de sinuca e um ábaco. [Imagem: López-Pastor/Marquardt (2023)]Essa abordagem elimina a necessidade de feedback externo para ajustar as conexões sinápticas, tornando o treinamento mais eficaz e independente do processo físico específico da máquina de autoaprendizagem.
Explorando o potencial da luz: Esta imagem ilustra como a dinâmica de uma onda de luz poderia ser aplicada em uma máquina física de autoaprendizagem. A natureza irregular da onda e sua capacidade de ser revertida a partir do ponto de maior extensão (indicado em vermelho) desempenham um papel fundamental na implementação desta técnica inovadora. [Imagem: López-Pastor/Marquardt (2023)]Conceito inovador de autoaprendizagem: A analogia entre um aparelho híbrido de sinuca e ábaco ajuda a explicar o mecanismo de treinamento de inteligência artificial proposto. Na representação, a bola azul, carregada positivamente, simboliza o conjunto de dados de treinamento. Enquanto se move pela mesa, ela interage com a bola vermelha, também carregada positivamente e livre para se mover em um eixo, semelhante a um ábaco. A interação entre as bolas altera suas trajetórias e posições, representando a decisão da inteligência artificial. Após a correção, a bola azul retorna, ajustando a posição da bola vermelha. Esse processo adapta a “sinapse”, representada pela bola vermelha, permitindo que a máquina aprenda. Embora essa representação simplificada não seja viável em escala real, a equipe está explorando hardware apropriado para aplicar esse conceito de forma eficaz.
A equipe tem expectativas de desenvolver um processador de luz com capacidade de autoaprendizado em até três anos.
Processador Neuromórfico de Luz: A chave para o autoaprendizado eficiente da inteligência artificial reside em processos físicos reversíveis e não-lineares, que podem ser comparados a complexas interações de luz. Pesquisadores já estão explorando a possibilidade de utilizar processadores neuromórficos ópticos para implementar uma máquina física de autoaprendizagem, com o objetivo de superar os desafios atuais da inteligência artificial em relação à computação e consumo de energia. A equipe espera apresentar um protótipo funcional dessa máquina inovadora nos próximos três anos, abrindo caminho para avanços significativos na IA.
Publicidade
Publicidade
Achou útil essa informação? Compartilhe com seus amigos!
Nascido no interior de Minas Gerais, foi seminarista em uma congregação francesa, mas viu que sua vocação é ser engenheiro. Graduado em Engenharia Eletrônica pela Universidade Federal de Itajubá - UNIFEI e MBA em Gerenciamento de Projetos pela Fundação Getulio Vargas - FGV. Criou o Engenharia é: exatamente às 11:28, no dia 2 de agosto de 2011. Você pode falar comigo pelo email: ademilson@engenhariae.com.br