O cérebro humano é a máquina mais complexa do mundo – seu funcionamento é tão complicado que neurocientistas e especialistas em computação trabalham juntos há anos para descobrir seus mistérios e aplicá-los à inteligência artificial.
Estamos no meio de uma revolução científica e tecnológica em que os computadores usam a inteligência artificial para aprender com o exemplo e executar funções sofisticadas que, até recentemente, eram consideradas impossíveis.
Esses algoritmos inteligentes podem reconhecer rostos e até mesmo dirigir veículos autônomos. As redes de aprendizagem profunda, que são responsáveis por muitos desses avanços tecnológicos, são baseadas nos mesmos princípios que formam a estrutura do nosso cérebro – composto de células nervosas artificiais conectadas umas às outras por meio de sinapses artificiais, e essas células se comunicam entre si por meio dessas sinapses.
Nosso conhecimento básico da função neural data da década de 1950. Com base neste entendimento elementar, os neurônios artificiais atuais que são usados no aprendizado profundo operam somando suas entradas sinápticas linearmente e gerando em resposta um de dois estados de saída – “0” (desligado) e “1”(ligado).
Nas últimas décadas, no entanto, o campo da neurociência descobriu que os neurônios individuais são construídos a partir de um sistema de ramificação complexo que contém muitas sub-regiões funcionais. Na verdade, a estrutura ramificada dos neurônios e as muitas sinapses que os contatam sobre sua área de superfície distribuída implicam que neurônios individuais podem se comportar como uma rede extensa em que cada sub-região é seu próprio local, ou seja, função de entrada-saída não linear.
Uma nova pesquisa da Universidade Hebraica de Jerusalém (HUJI) busca entender o poder de computação de um neurônio de uma maneira sistemática. Se alguém mapeia a entrada-saída de um neurônio para muitas entradas sinápticas, pode ser capaz de examinar quão “profunda” uma rede análoga deve ser para replicar as características de E / S do neurônio. O doutorando David Beniaguev, junto com o Prof. Michael London e o Prof. Idan Segev do Edmond and Lily Safra Centre for Brain Science (ELSC), assumiram este desafio e acabaram de publicar suas descobertas na prestigiosa revista Neuron sob o título “Neurônios corticais únicos como redes neurais artificiais profundas. ”
O objetivo era entender como as células nervosas individuais – os blocos de construção do cérebro – traduzem as entradas sinápticas em sua saída elétrica. Ao fazer isso, os pesquisadores procuraram criar um novo tipo de infraestrutura artificial de aprendizado profundo que agirá mais como o cérebro humano e produzirá capacidades impressionantes semelhantes às do cérebro.
“A nova rede de aprendizagem profunda que propomos é construída a partir de neurônios artificiais em que cada um deles já tem cinco a sete camadas de profundidade. Essas unidades são conectadas por meio de sinapses artificiais às camadas acima e abaixo”, explicou Segev.
No estado atual de redes neuronais profundas, cada neurônio artificial responde aos dados de entrada (sinapses) com um “0” ou um “1” com base na força sináptica que recebe da camada anterior. Com base nessa força, a sinapse envia (excita) ou retém (inibe) um sinal para os neurônios na próxima camada.
Os neurônios na segunda camada processam os dados que receberam e transferem a saída para as células do próximo nível. Por exemplo, em uma rede que supostamente responde a gatos (mas não a outros animais), essa rede deve responder por um gato com um “1” no último neurônio de saída (mais profundo) e com um “0” caso contrário. Redes neuronais profundas no estado atual demonstraram que podem aprender essa tarefa e executá-la extremamente bem.
Essa abordagem permite que os computadores em carros sem motorista, por exemplo, saibam quando chegaram a um semáforo ou faixa de pedestres – mesmo que o computador nunca tenha visto aquela faixa de pedestres específica. “Apesar dos sucessos notáveis que são definidos como um ‘divisor de águas’ para o nosso mundo, ainda não avaliamos completamente como o aprendizado profundo é capaz de fazer o que faz e muitas pessoas em todo o mundo estão tentando descobrir isso”, Segev conceder.
A capacidade de cada rede de aprendizado profundo também é limitada à tarefa específica que está sendo solicitada a realizar. Um sistema que foi ensinado para identificar gatos não é capaz de identificar cães. Além disso, um sistema dedicado deve estar instalado para detectar a conexão entre o miado e os gatos. Embora o sucesso do aprendizado profundo seja incrível para tarefas específicas, esses sistemas estão muito atrás do cérebro humano em sua capacidade de multitarefa. “Não precisamos de mais de um acidente de carro sem motorista para perceber os perigos inerentes a essas limitações”, acrescentou Segev.
Atualmente, pesquisas significativas estão sendo focadas em fornecer aprendizagem profunda artificial com habilidades mais inteligentes e abrangentes, como a capacidade de processar e correlacionar diferentes estímulos e se relacionar com diferentes aspectos do gato (visão, audição, tato, por exemplo) e aprender como traduzir esses vários aspectos em significado. Essas são capacidades nas quais o cérebro humano se destaca e aquelas que o aprendizado profundo ainda não foi capaz de atingir.
“Nossa abordagem é usar recursos de aprendizado profundo para criar um modelo computadorizado que melhor replique as propriedades de I / O de neurônios individuais no cérebro”, explicou Beniaguev. Para fazer isso, os pesquisadores confiaram na modelagem matemática de neurônios únicos, um conjunto de equações diferenciais desenvolvido por Segev e Londres. Isso lhes permite simular com precisão os processos elétricos detalhados que ocorrem em diferentes regiões do neurônio simulado e mapear melhor a complexa transformação para a barragem de entradas sinápticas e a corrente elétrica que eles produzem através da estrutura em forma de árvore (árvore dendrítica) de a célula nervosa. Os pesquisadores usaram esse modelo para buscar uma rede neural profunda (DNN) que replicasse o I / O do neurônio simulado. Eles descobriram que essa tarefa é alcançada por um DNN de cinco a sete camadas de profundidade.
Os membros da equipe esperam que a construção de redes de aprendizagem profunda baseadas em neurônios reais que, como eles mostraram, já são bastante profundas por conta própria, lhes permita realizar processos de aprendizagem mais complexos e eficientes, que são mais semelhantes aos humanos. cérebro.
“Uma ilustração disso seria a rede artificial reconhecer um gato com menos exemplos e realizar funções como internalizar o significado da linguagem. No entanto, esses são processos que ainda temos que provar possíveis por nossos DNNs sugeridos com pesquisa contínua”, enfatizou Segev. Tal sistema não significaria apenas alterar a representação de neurônios individuais na respectiva rede neuronal artificial, mas também combinar na rede artificial as características de diferentes tipos de neurônios, como é o caso do cérebro humano. “O objetivo final seria criar uma réplica computadorizada que imitasse a funcionalidade, habilidade e diversidade do cérebro – para criar, em todos os sentidos, a verdadeira inteligência artificial”, acrescentou Segev.
Este estudo também ofereceu a primeira chance de mapear e comparar o poder de processamento dos diferentes tipos de neurônios. “Por exemplo, para simular o neurônio A, precisamos mapear sete níveis diferentes de aprendizado profundo de neurônios específicos, enquanto o neurônio B pode precisar de nove dessas camadas”, explicou Segev. “Desta forma, podemos comparar quantitativamente o poder de processamento da célula nervosa de um camundongo com uma célula comparável no cérebro humano ou entre dois tipos diferentes de neurônios no cérebro humano.”
Em um nível ainda mais básico, o desenvolvimento de um modelo de computador baseado em uma abordagem de aprendizado de máquina que simula com tanta precisão a função cerebral provavelmente proporcionará uma nova compreensão do próprio cérebro. “Nosso cérebro desenvolveu métodos para construir redes artificiais que replicam suas próprias capacidades de aprendizagem e isso nos permite entender melhor o cérebro e a nós mesmos”, concluiu Beniaguev.
Publicado em 06/09/2021 01h58
Artigo original: