Ensinando inteligência artificial para se adaptar

Ensinando inteligência artificial para se adaptar

O sistema simulado de Salk pode ajudar a desenvolver uma melhor inteligência artificial, tratamentos para distúrbios cerebrais

LA JOLLA - Fazer com que os computadores “pensem” como humanos é o Santo Graal da inteligência artificial, mas cérebros humanos são atos difíceis de seguir. O cérebro humano é um mestre em aplicar o conhecimento previamente aprendido a novas situações e em refinar constantemente o que foi aprendido. Essa capacidade de adaptação tem sido difícil de replicar nas máquinas.

Agora, os pesquisadores Salk usaram um modelo computacional da atividade cerebral para simular esse processo com mais precisão do que nunca. O novo modelo imita como o córtex pré-frontal do cérebro usa um fenômeno conhecido como “gating” para controlar o fluxo de informações entre diferentes áreas dos neurônios. Não apenas lança luz sobre o cérebro humano, mas também pode informar o design de novos programas de inteligência artificial.

“Se pudermos dimensionar esse modelo para ser usado em sistemas de inteligência artificial mais complexos, isso pode permitir que esses sistemas aprendam coisas mais rapidamente ou encontrem novas soluções para problemas”, diz Terrence Sejnowski, chefe do Laboratório de Neurobiologia Computacional Salk e autor sênior do novo trabalho, publicado em 24 de novembro de 2020, em Proceedings, da Academia Nacional de Ciências.

Os cérebros dos humanos e de outros mamíferos são conhecidos por sua capacidade de processar rapidamente estímulos - imagens e sons, por exemplo - e integrar qualquer nova informação a coisas que o cérebro já conhece. Essa flexibilidade para aplicar o conhecimento a novas situações e aprender continuamente ao longo da vida tem sido uma meta dos pesquisadores que projetam programas de aprendizado de máquina ou cérebros artificiais. Historicamente, quando uma máquina é ensinada a realizar uma tarefa, é difícil para a máquina aprender como adaptar esse conhecimento a uma tarefa semelhante; em vez disso, cada processo relacionado deve ser ensinado individualmente.

No estudo atual, o grupo de Sejnowski projetou uma nova estrutura de modelagem computacional para replicar como os neurônios no córtex pré-frontal - a área do cérebro responsável pela tomada de decisões e memória de trabalho - se comportam durante um teste cognitivo conhecido como Wisconsin Card Sorting Test. Nesta tarefa, os participantes devem classificar os cartões por cor, símbolo ou número - e adaptar constantemente suas respostas conforme a regra de classificação dos cartões muda. Este teste é usado clinicamente para diagnosticar demência e doenças psiquiátricas, mas também é usado por pesquisadores de inteligência artificial para avaliar quão bem seus modelos computacionais do cérebro podem replicar o comportamento humano.

Modelos anteriores do córtex pré-frontal tiveram um desempenho ruim nessa tarefa. A estrutura da equipe Sejnowski, no entanto, integrou como os neurônios controlam o fluxo de informações em todo o córtex pré-frontal por meio de portas, delegando diferentes partes de informações a diferentes sub-regiões da rede. Gating era considerado importante em pequena escala - no controle do fluxo de informações em pequenos grupos de células semelhantes - mas a ideia nunca foi integrada em modelos por meio de toda a rede.

A nova rede não apenas teve um desempenho tão confiável quanto os humanos na Tarefa de Classificação de Cartas de Wisconsin, mas também imitou os erros observados em alguns pacientes. Quando as seções do modelo foram removidas, o sistema mostrou os mesmos erros vistos em pacientes com dano ao córtex pré-frontal, como aquele causado por trauma ou demência.

“Acho que uma das partes mais empolgantes disso é que, usando esse tipo de estrutura de modelagem, estamos tendo uma ideia melhor de como o cérebro é organizado”, diz Ben Tsuda, aluno de pós-graduação da Salk e primeiro autor do novo papel. “Isso tem implicações tanto para o aprendizado de máquina quanto para um melhor entendimento de algumas dessas doenças que afetam o córtex pré-frontal.”

Se os pesquisadores tiverem uma melhor compreensão de como as regiões do córtex pré-frontal funcionam juntas, ele acrescenta, isso ajudará a orientar as intervenções para tratar lesões cerebrais. Pode sugerir áreas a serem almejadas com estimulação cerebral profunda, por exemplo.

“Quando você pensa sobre as maneiras pelas quais o cérebro ainda supera as redes de aprendizagem profunda de última geração, uma dessas maneiras é a versatilidade e a generalização entre tarefas com regras diferentes”, diz o co-autor do estudo. Kay Tye, professor do Laboratório de Neurobiologia de Sistemas da Salk e da Cátedra Wylie Vale. “Neste novo trabalho, mostramos como a passagem de informações pode impulsionar nosso novo e aprimorado modelo do córtex pré-frontal.”

A seguir, a equipe deseja dimensionar a rede para realizar tarefas mais complexas do que o teste de classificação de cartões e determinar se o gating de toda a rede dá ao córtex pré-frontal artificial uma memória de trabalho melhor em todas as situações. Se a nova abordagem funcionar em cenários de aprendizagem amplos, eles suspeitam que isso levará a sistemas de inteligência artificial aprimorados, que podem ser mais adaptáveis ​​a novas situações.

Hava Siegelmann, da Universidade de Massachusetts Amherst, foi um autor adicional do estudo. O trabalho foi financiado por doações do Instituto Kavli para Cérebro e Mente na UC San Diego, o Office of Naval Research (N000141612829), a National Science Foundation (1735004) e o DARPA (W911NF1820).

DOI: 10.1073 / pnas.2009591117