Ensinar física para redes neurais remove a 'cegueira do caos'
- Multiversolab7
- 23 de set. de 2020
- 3 min de leitura
O fluxo hamiltoniano representado como um toro semelhante a um donut; as cores do arco-íris codificam uma quarta dimensão. Crédito: North Carolina State University
Pesquisadores da North Carolina State University descobriram que ensinar física a redes neurais permite que essas redes se adaptem melhor ao caos em seu ambiente. O trabalho tem implicações para aplicações aprimoradas de inteligência artificial (AI), que vão desde diagnósticos médicos até pilotagem de drones automatizados.
As redes neurais são um tipo avançado de IA vagamente baseado na maneira como nosso cérebro funciona. Nossos neurônios naturais trocam impulsos elétricos de acordo com a intensidade de suas conexões. As redes neurais artificiais imitam esse comportamento, ajustando pesos e tendências numéricas durante as sessões de treinamento para minimizar a diferença entre seus resultados reais e desejados. Por exemplo, uma rede neural pode ser treinada para identificar fotos de cães examinando um grande número de fotos, adivinhando se a foto é de um cachorro, vendo a que distância está e ajustando seus pesos e tendências até que eles estão mais próximos da realidade.
A desvantagem desse treinamento de rede neural é algo chamado "cegueira do caos" - uma incapacidade de prever ou responder ao caos em um sistema. A IA convencional é o caos cego. Mas os pesquisadores do Nonlinear Artificial Intelligence Laboratory (NAIL) da NC State descobriram que a incorporação de uma função hamiltoniana em redes neurais permite que eles "vejam" o caos dentro de um sistema e se adaptem de acordo.
Simplificando, o hamiltoniano incorpora a informação completa sobre um sistema físico dinâmico - a quantidade total de todas as energias presentes, cinéticas e potenciais. Imagine um pêndulo oscilando, movendo-se para frente e para trás no espaço ao longo do tempo. Agora olhe para um instantâneo desse pêndulo. O instantâneo não pode dizer onde o pêndulo está em seu arco ou para onde ele está indo em seguida. As redes neurais convencionais operam a partir de um instantâneo do pêndulo. As redes neurais familiarizadas com o fluxo hamiltoniano compreendem a totalidade do movimento do pêndulo - onde ele está, onde estará ou poderia estar e as energias envolvidas em seu movimento.
Em um projeto de prova de conceito, a equipe do NAIL incorporou a estrutura hamiltoniana às redes neurais e, em seguida, aplicou-as a um modelo conhecido de dinâmica estelar e molecular chamado modelo de Hénon-Heiles. A rede neural hamiltoniana previu com precisão a dinâmica do sistema, mesmo enquanto ele se movia entre a ordem e o caos.
"O hamiltoniano é realmente o 'molho especial' que dá às redes neurais a capacidade de aprender a ordem e o caos", diz John Lindner, pesquisador visitante do NAIL, professor de física do The College of Wooster e autor correspondente de um artigo que descreve o trabalho. "Com o hamiltoniano, a rede neural entende a dinâmica subjacente de uma forma que uma rede convencional não consegue. Este é um primeiro passo em direção a redes neurais com conhecimentos de física que podem nos ajudar a resolver problemas difíceis."
O trabalho aparece na Physical Review E e é parcialmente apoiado pelo Office of Naval Research. O pesquisador de pós-doutorado do NC State, Anshul Choudhary, é o primeiro autor. Bill Ditto, professor de física da NC State, é diretor do NAIL. Pesquisador visitante Scott Miller; Sudeshna Sinha, do Instituto Indiano de Educação e Pesquisa em Ciências Mohali; e o estudante de graduação da Carolina do Norte, Elliott Holliday, também contribuíram para o trabalho.
Comments