Algoritmos avançados de aprendizado de máquina demonstraram potencial no controle eficiente de sistemas complexos, prometendo melhorias significativas na tecnologia autônoma e na infraestrutura digital.
Pesquisas recentes destacam o desenvolvimento de tecnologias avançadas aprendizado de máquina algoritmos capazes de controlar sistemas complexos de forma eficiente. Estes novos algoritmos, testados em gémeos digitais de circuitos eletrónicos caóticos, não só prevêem e controlam estes sistemas de forma eficaz, mas também oferecem melhorias significativas no consumo de energia e nas exigências computacionais.
Os sistemas controlados por algoritmos de computação da próxima geração poderão dar origem a produtos de aprendizagem automática melhores e mais eficientes, sugere um novo estudo.
Usando ferramentas de aprendizado de máquina para criar um gêmeo digital, ou uma cópia virtual, de um circuito eletrônico que apresenta comportamento caótico, os pesquisadores descobriram que foram bem-sucedidos em prever como ele se comportaria e em usar essa informação para controlá-lo.
As limitações dos controladores lineares
Muitos dispositivos do dia a dia, como termostatos e controle de cruzeiro, utilizam controladores lineares – que usam regras simples para direcionar um sistema para um valor desejado. Os termostatos, por exemplo, empregam essas regras para determinar quanto aquecer ou resfriar um espaço com base na diferença entre as temperaturas atuais e desejadas.
No entanto, devido à sua simplicidade, estes algoritmos têm dificuldade em controlar sistemas que apresentam um comportamento complexo, como o caos.
Como resultado, dispositivos avançados, como carros e aeronaves autônomos, muitas vezes dependem de controladores baseados em aprendizado de máquina, que usam redes complexas para aprender o algoritmo de controle ideal necessário para funcionar melhor. No entanto, esses algoritmos têm desvantagens significativas, a mais exigente delas é que eles podem ser extremamente desafiadores e de implementação computacionalmente cara.
O impacto de gêmeos digitais eficientes
Agora, ter acesso a um gêmeo digital eficiente provavelmente terá um impacto abrangente na forma como os cientistas desenvolvem futuras tecnologias autônomas, disse Robert Kent, autor principal do estudo e estudante de pós-graduação em física na Universidade Estadual de Ohio.
“O problema com a maioria dos controladores baseados em aprendizado de máquina é que eles usam muita energia e demoram muito para serem avaliados”, disse Kent. “O desenvolvimento de controladores tradicionais para eles também tem sido difícil porque os sistemas caóticos são extremamente sensíveis a pequenas mudanças.”
Estas questões, disse ele, são críticas em situações em que milissegundos podem fazer a diferença entre a vida e a morte, como quando os veículos autónomos devem decidir travar para evitar um acidente.
O estudo foi publicado recentemente em Comunicações da Natureza.
Avanços na arquitetura de aprendizado de máquina
Compacto o suficiente para caber em um chip de computador barato, capaz de se equilibrar na ponta do dedo e funcionar sem conexão com a Internet, o gêmeo digital da equipe foi construído para otimizar a eficiência e o desempenho de um controlador, o que os pesquisadores descobriram que resultou em uma redução no consumo de energia. Ele consegue isso com bastante facilidade, principalmente porque foi treinado usando um tipo de abordagem de aprendizado de máquina chamada computação de reservatório.
“O melhor da arquitetura de aprendizado de máquina que usamos é que ela é muito boa para aprender o comportamento de sistemas que evoluem com o tempo”, disse Kent. “É inspirado na forma como as conexões surgem no cérebro humano.”
Aplicações práticas e direções futuras
Embora chips de computador de tamanho semelhante tenham sido usados em dispositivos como geladeiras inteligentes, de acordo com o estudo, essa nova capacidade de computação torna o novo modelo especialmente bem equipado para lidar com sistemas dinâmicos, como veículos autônomos, bem como monitores cardíacos, que devem ser capaz de se adaptar rapidamente ao batimento cardíaco do paciente.
“Grandes modelos de aprendizado de máquina precisam consumir muita energia para processar dados e obter os parâmetros corretos, enquanto nosso modelo e treinamento são tão extremamente simples que você poderia ter sistemas de aprendizado em tempo real”, disse ele.
Para testar esta teoria, os investigadores direcionaram o seu modelo para completar tarefas de controlo complexas e compararam os seus resultados com os de técnicas de controlo anteriores. O estudo revelou que sua abordagem alcançou um maior precisão nas tarefas do que sua contraparte linear e é significativamente menos complexo computacionalmente do que um controlador anterior baseado em aprendizado de máquina.
“O aumento na precisão foi bastante significativo em alguns casos”, disse Kent. Embora o resultado tenha mostrado que o seu algoritmo requer mais energia do que um controlador linear para funcionar, esta compensação significa que quando é ligado, o modelo da equipa dura mais tempo e é consideravelmente mais eficiente do que os actuais controladores baseados em aprendizagem automática no mercado.
“As pessoas encontrarão um bom uso disso apenas com base em sua eficiência”, disse Kent. “Você pode implementá-lo em praticamente qualquer plataforma e é muito simples de entender.” O algoritmo foi recentemente disponibilizado aos cientistas.
Considerações Econômicas e Ambientais
Além de inspirar possíveis avanços na engenharia, há também um incentivo econômico e ambiental igualmente importante para a criação de algoritmos mais econômicos, disse Kent.
À medida que a sociedade se torna mais dependente dos computadores e da IA para quase todos os aspectos da vida quotidiana, a procura de centros de dados está a aumentar, levando muitos especialistas a preocuparem-se com o enorme apetite de energia dos sistemas digitais e com o que as futuras indústrias terão de fazer para acompanhá-lo.
E porque a construção desses data centers, bem como experimentos de computação em grande escala pode gerar um grande pegada de carbonoos cientistas estão procurando maneiras de reduzir as emissões de carbono provenientes desta tecnologia.
Para avançar nos seus resultados, o trabalho futuro provavelmente será direcionado para treinar o modelo para explorar outras aplicações, como o processamento quântico de informações, disse Kent. Entretanto, ele espera que estes novos elementos alcancem grande parte da comunidade científica.
“Poucas pessoas conhecem esses tipos de algoritmos na indústria e na engenharia, e um dos grandes objetivos deste projeto é fazer com que mais pessoas aprendam sobre eles”, disse Kent. “Este trabalho é um grande primeiro passo para alcançar esse potencial.”
Referência: “Controlando o caos usando hardware de computação de ponta” por Robert M. Kent, Wendson AS Barbosa e Daniel J. Gauthier, 8 de maio de 2024, Comunicações da Natureza.
DOI: 10.1038/s41467-024-48133-3
Este estudo foi apoiado pelo Escritório de Pesquisa Científica da Força Aérea dos EUA. Outros coautores do estado de Ohio incluem Wendson AS Barbosa e Daniel J. Gauthier.
