John Hopfield e Geoffrey Hinton recebem Prêmio Nobel de Física por aprendizado de máquina #ÚltimasNotícias #Suiça

Hopfield desenvolveu a primeira rede neural

As redes neurais artificiais surgem do desejo de compreender melhor como funciona o nosso cérebro. Os humanos são bons em reconhecer padrões. Já na década de 1940, suspeitava-se que essa capacidade se baseava na interação de muitas células nervosas (neurônios). A capacidade única de aprender do cérebro baseia-se no fato de que as conexões entre as células cerebrais individuais podem se tornar mais fortes ou mais fracas conforme necessário.

Reproduzir artificialmente essa capacidade de aprendizagem com um computador era a ideia básica da inteligência artificial. As redes neurais artificiais consistem em uma série de nós que estão conectados entre si e podem assumir os valores zero e um. Os nós têm como objetivo simular neurônios inativos ou ativos no cérebro, que estão mais ou menos conectados entre si dependendo de sua ativação.

Em 1982, John Hopfield desenvolveu uma rede com seu nome que é capaz de armazenar e reconhecer padrões. Para treinar, você fornece um padrão à rede, como uma imagem. Esta imagem é armazenada nas conexões entre os neurônios artificiais. Se você então apresentar à rede uma imagem com ruído, as conexões entre os neurônios artificiais serão variadas até que o resultado seja o mais próximo possível do original. É assim que a imagem salva é reconhecida.

Geoffrey Hinton, o segundo ganhador do Prêmio Nobel, também desenvolveu redes neurais artificiais na década de 1980. Eles eram significativamente mais complexos que os de Hopfield. Hinton usou diferentes níveis de rede para inserir e ler os dados. Também havia camadas de rede ocultas entre as camadas de entrada e saída.

Hinton usou métodos de física estatística para resolver tarefas mais complexas com as chamadas máquinas de Boltzmann. Por exemplo, eles podem ser treinados para reconhecer objetos da mesma categoria. Por exemplo, uma máquina de Boltzmann treinada em imagens de gatos pode reconhecer se uma imagem de um animal até então desconhecido mostra um gato ou um cachorro. Como descobriu Hinton, esse processo de aprendizagem pode ser bastante simplificado limitando as conexões entre os nós de uma camada de rede.

Somente computadores modernos levam ao aprendizado profundo

O trabalho dos dois premiados remonta a quase quarenta anos. O facto de só agora estarem a dar frutos tem a ver principalmente com o desenvolvimento de computadores. Na década de 1980, só era possível criar redes neurais artificiais com algumas dezenas de nós e algumas centenas de conexões. Isto não se compara às redes neurais “profundas” de hoje, que consistem em numerosos níveis de rede. Somente o poder computacional dos computadores atuais e o acesso a dados de treinamento quase ilimitados tornaram possível o aprendizado profundo, ao qual devemos a revolução da IA.

Não são apenas empresas como a Microsoft, a Google ou a Open AI que beneficiam da aprendizagem profunda. A ciência há muito reconheceu a utilidade das redes neurais artificiais. Eles são usados, por exemplo, em física de partículas. Os detectores de aceleradores de partículas registram grandes quantidades de dados, a maioria dos quais são desinteressantes. As redes neurais artificiais ajudam a separar o joio do trigo e a reconhecer as assinaturas interessantes. Por exemplo, a partícula de Higgs foi descoberta no Cern.

Os astrônomos também usam essa ferramenta. Quando a primeira imagem de um buraco negro foi apresentada em 2019, os contornos eram apenas tão nítidos porque os dados da imagem tinham sido previamente processados ​​através de redes neurais artificiais. E na química, as redes neurais profundas levaram até a uma pequena revolução. O programa Alphafold desenvolvido pela Deepmind permite prever a estrutura espacial das proteínas. Isto deverá acelerar significativamente o desenvolvimento de novos ingredientes ativos para medicamentos.