Um novo modelo desenvolvido por pesquisadores do Flatiron Institute propõe que os neurônios biológicos tenham mais controle sobre o ambiente ao seu redor do que se pensava anteriormente, algo que poderia ser replicado nas redes neurais artificiais usadas no aprendizado de máquina.
Um novo modelo do Centro de Neurociência Computacional do Instituto Flatiron propõe que os neurônios individuais são controladores mais influentes dentro de suas redes do que se acreditava anteriormente, desafiando o modelo ultrapassado da década de 1960.
Esta compreensão avançada poderia melhorar significativamente as funcionalidades das redes neurais artificiais, integrando mecanismos semelhantes aos dos cérebros humanos, abordando as atuais limitações da IA, como erros e processos de treinamento ineficientes.
IA moderna e modelos neuronais
Quase todas as redes neurais que alimentam a tecnologia moderna inteligência artificial ferramentas como o ChatGPT são baseadas em um modelo computacional da década de 1960 de um neurônio vivo. Um novo modelo desenvolvido no Centro de Neurociência Computacional (CCN) do Instituto Flatiron sugere que esta aproximação de décadas não captura todas as capacidades computacionais que os neurônios reais possuem e que este modelo mais antigo está potencialmente impedindo o desenvolvimento da IA.
Uma ilustração artística de uma mão digital e uma mão humana desenhando uma à outra. Crédito: Alex Eben Meyer para Simons Foundation
Revolucionando a IA com modelos neuronais avançados
O novo modelo desenvolvido no CCN postula que os neurônios individuais exercem mais controle sobre o ambiente ao seu redor do que se pensava anteriormente. O modelo de neurônios atualizado poderia, em última análise, levar a redes neurais artificiais mais poderosas que capturam melhor os poderes de nossos cérebros, dizem os desenvolvedores do modelo. Os pesquisadores apresentam o modelo revolucionário em artigo publicado na semana de 24 de junho na revista Anais da Academia Nacional de Ciências.
“A neurociência avançou bastante nestes últimos 60 anos e agora reconhecemos que os modelos anteriores de neurónios são bastante rudimentares”, diz Dmitri Chklovskii, líder de grupo do CCN e autor sénior do novo artigo. “Um neurônio é um dispositivo muito mais complexo – e muito mais inteligente – do que este modelo excessivamente simplificado.”
O mecanismo funcional das redes neurais artificiais
As redes neurais artificiais visam imitar a forma como o cérebro humano processa informações e toma decisões, embora de uma forma muito mais simplificada. Essas redes são construídas a partir de camadas ordenadas de “nós” baseadas no modelo de neurônios da década de 1960. A rede começa com uma camada de entrada de nós que recebe informações, depois tem camadas intermediárias de nós que processam as informações e termina com uma camada de saída de nós que envia os resultados.
Normalmente, um nó só transmitirá informações para a próxima camada se a entrada total que ele recebe dos nós da camada anterior exceder um determinado limite. Quando as redes neurais artificiais atuais são treinadas, as informações passam por um nó em apenas uma direção e não há como os nós influenciarem as informações que recebem dos nós anteriores na cadeia.
Em contraste, o modelo recentemente publicado trata os neurónios como pequenos “controladores”, um termo de engenharia para dispositivos que podem influenciar o seu ambiente com base nas informações recolhidas sobre esse ambiente. Não apenas relés passivos de entrada, nossas células cerebrais podem realmente trabalhar para controlar o estado de seus colegas neurônios.
Implicações e benefícios do modelo Neuron-As-Controller
Chklovskii acredita que este modelo mais realista de um neurônio como controlador poderia ser um passo significativo para melhorar o desempenho e a eficiência de muitos aprendizado de máquina formulários.
“Embora as conquistas da IA sejam impressionantes, ainda existem muitos problemas”, diz ele. “As aplicações atuais podem dar respostas erradas, ou ter alucinações, e treiná-las requer muita energia; eles são muito caros. Existem todos esses problemas que o cérebro humano parece evitar. Se entendêssemos como o cérebro realmente faz isso, poderíamos construir uma IA melhor.”
Direções e explorações futuras no controle neuronal
O modelo do neurônio como controlador foi inspirado no que os cientistas entendem sobre circuitos cerebrais de grande escala compostos por muitos neurônios. Acredita-se que a maioria dos circuitos cerebrais esteja organizada em ciclos de feedback, onde as células posteriores na cadeia de processamento influenciam o que acontece no início da cadeia. Tal como um termóstato que mantém a temperatura de uma casa ou edifício, os circuitos cerebrais precisam de se manter estáveis para evitar sobrecarregar o sistema do corpo com actividade.
Chklovskii diz que não era totalmente intuitivo que este tipo de controle de feedback também pudesse ser realizado por uma célula cerebral individual. Ele e seus colegas perceberam que uma nova forma de controle, conhecida como controle direto orientado por dados, é direta e eficiente o suficiente para ser biologicamente plausível como ocorrendo em células individuais.
“As pessoas pensavam no cérebro como um todo ou mesmo em partes do cérebro como sendo um controlador, mas ninguém sugeriu que um único neurônio pudesse fazer isso”, diz Chklovskii. “O controle é uma tarefa computacionalmente intensiva. É difícil pensar que um neurônio tenha capacidade computacional suficiente.”
Melhorando a compreensão por meio do ruído biológico
Ver os neurônios como minicontroladores também explica vários fenômenos biológicos até então inexplicáveis, diz Chklovskii. Por exemplo, há muito que se sabe que há muito ruído no cérebro, e o propósito desta aleatoriedade biológica tem sido debatido, mas a equipa do CCN descobriu através da sua modelação que certos tipos de ruído podem realmente melhorar o desempenho dos neurónios.
Mais especificamente, nas junções onde um neurônio se conecta a outro (chamadas de ‘sinapses’), há frequentemente casos em que um neurônio transmite um sinal elétrico, mas o neurônio acoplado a jusante não recebe a mensagem. Se e quando o neurônio a jusante recebe um sinal sináptico parece ser governado em grande parte pelo acaso. Enquanto outros cientistas especularam que tal aleatoriedade era apenas a natureza de pequenos sistemas biológicos e não era importante para o comportamento dos neurônios, a equipe da Flatiron descobriu que adicionar ruído ao seu modelo de neurônio permitiu que ele se adaptasse a um ambiente em constante mudança. A aleatoriedade parece ser importante na replicação do funcionamento dos neurônios reais, descobriu a equipe.
Expandindo o modelo neuronal para outros tipos de neurônios
Em seguida, Chklovskii planeja analisar tipos de neurônios que não se enquadram em seu novo modelo. Por exemplo, os neurônios da retina recebem informações diretas do ambiente visual. Estes neurónios podem não ser capazes de controlar os seus inputs da mesma forma que os neurónios mais profundos no cérebro conseguem, mas podem usar alguns dos mesmos princípios que Chklovskii e a sua equipa identificaram: nomeadamente, estes neurónios podem ser capazes de prever os seus inputs, mesmo que consigam. não os influencie.
“Controle e previsão estão, na verdade, muito relacionados”, diz Chklovskii. “Você não pode controlar de forma eficiente sem prever o impacto de suas ações no mundo.”
Referência: “The Neuron as a Direct Data-Driven Controller” 24 de junho de 2024, Anais da Academia Nacional de Ciências.
DOI: 10.1073/pnas.2311893121
