.
Uma inteligência artificial com a capacidade de olhar para dentro e ajustar a sua própria rede neural tem melhor desempenho quando escolhe a diversidade em vez da falta de diversidade, conclui um novo estudo. As diversas redes neurais resultantes foram particularmente eficazes na resolução de tarefas complexas.
“Criamos um sistema de teste com uma inteligência não humana, uma inteligência artificial (IA), para ver se a IA escolheria a diversidade em vez da falta de diversidade e se a sua escolha melhoraria o desempenho da IA”, diz William Ditto, professor de física na North Carolina State University, diretor do Laboratório de Inteligência Artificial Não Linear (NAIL) da NC State e co-autor correspondente do trabalho. “A chave foi dar à IA a capacidade de olhar para dentro e aprender como aprende.”
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 força de suas conexões. As redes neurais artificiais criam conexões igualmente fortes, ajustando pesos numéricos e tendências durante as sessões de treinamento. 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 ela está e depois ajustando seus pesos e desvios até que sejam encontrados. estão mais próximos da realidade.
A IA convencional utiliza redes neurais para resolver problemas, mas essas redes são normalmente compostas por um grande número de neurônios artificiais idênticos. O número e a força das conexões entre esses neurônios idênticos podem mudar à medida que aprende, mas uma vez otimizada a rede, esses neurônios estáticos são a rede.
A equipe de Ditto, por outro lado, deu à sua IA a capacidade de escolher o número, a forma e a força da conexão entre os neurônios em sua rede neural, criando sub-redes de diferentes tipos de neurônios e forças de conexão dentro da rede à medida que aprende.
“Nossos cérebros reais têm mais de um tipo de neurônio”, diz Ditto. “Então demos à nossa IA a capacidade de olhar para dentro e decidir se precisava modificar a composição de sua rede neural. Essencialmente, demos a ela o botão de controle de seu próprio cérebro. Para que ela possa resolver o problema, veja o resultado, e mudar o tipo e a mistura de neurônios artificiais até encontrar o mais vantajoso.É meta-aprendizado para IA.
“Nossa IA também poderia decidir entre neurônios diversos ou homogêneos”, diz Ditto. “E descobrimos que em todos os casos a IA escolheu a diversidade como forma de fortalecer o seu desempenho.”
A equipe testou a precisão da IA solicitando-lhe que realizasse um exercício de classificação numérica padrão e viu que sua precisão aumentava à medida que o número de neurônios e a diversidade neuronal aumentavam. Uma IA padrão e homogênea poderia identificar os números com 57% de precisão, enquanto a IA diversificada e de meta-aprendizado foi capaz de atingir 70% de precisão.
De acordo com Ditto, a IA baseada na diversidade é até 10 vezes mais precisa do que a IA convencional na resolução de problemas mais complicados, como prever a oscilação de um pêndulo ou o movimento das galáxias.
“Mostrámos que se dermos a uma IA a capacidade de olhar para dentro e aprender como aprende, ela mudará a sua estrutura interna – a estrutura dos seus neurónios artificiais – para abraçar a diversidade e melhorar a sua capacidade de aprender e resolver problemas de forma eficiente e com mais precisão”, diz Ditto. “Na verdade, também observámos que à medida que os problemas se tornam mais complexos e caóticos, o desempenho melhora ainda mais dramaticamente em relação a uma IA que não abraça a diversidade.”
A pesquisa aparece em Relatórios Científicos, e foi apoiado pelo Office of Naval Research (sob a concessão N00014-16-1-3066) e pela United Therapeutics. John Lindner, professor emérito de física no College of Wooster e professor visitante no NAIL, é co-autor correspondente. O ex-aluno de pós-graduação da NC State, Anshul Choudhary, é o primeiro autor. O estudante de pós-graduação da NC State, Anil Radhakrishnan, e Sudeshna Sinha, professor de física do Instituto Indiano de Educação e Pesquisa Científica Mohali, também contribuíram para o trabalho.
.
