Eletricidade Ajuda a Encontrar Materiais que Podem “Aprender”

Uma equipe de cientistas do Laboratório Nacional de Argonne conseguiu observar um material não vivo imitando comportamentos associados ao aprendizado, o que eles dizem que pode levar a melhores sistemas de inteligência artificial (IA).

O artigo que descreve o estudo foi publicado em Sistemas Inteligentes Avançados.

O grupo está visando desenvolver a próxima geração de supercomputadores e olhando para o cérebro humano em busca de inspiração.

Materiais Não Biológicos com Comportamentos Semelhantes ao Aprendizado

Pesquisadores que buscam criar computadores inspirados no cérebro frequentemente se voltam para materiais não biológicos que sugerem que podem adotar comportamentos semelhantes ao aprendizado. Esses materiais podem ser usados para construir hardware que possa ser combinado com novos algoritmos de software, permitindo uma IA mais eficiente em termos de energia.

O novo estudo foi liderado por cientistas da Universidade de Purdue. Eles expuseram óxido de níquel com deficiência de oxigênio a pulsos elétricos breves e obtiveram duas respostas elétricas diferentes, semelhantes ao aprendizado. De acordo com o professor Shriram Ramanathan, da Universidade Rutgers, que era professor da Universidade de Purdue na época do trabalho, eles criaram um sistema completamente impulsionado por eletricidade que demonstrou comportamentos de aprendizado.

A equipe de pesquisa contou com os recursos da Advanced Photon Source (APS), uma instalação do Escritório de Ciência do Departamento de Energia dos EUA (DOE) localizada no Laboratório Nacional de Argonne.

Habituação e Sensibilização

A primeira resposta que ocorre é a habituação, que acontece quando o material se acostuma com um estímulo elétrico leve. Embora a resistência do material aumente após um choque inicial, os pesquisadores observaram que ele se acostuma com o estímulo elétrico.

Fanny Rodolakis é uma física e cientista de feixe de luz na APS.

“A habituação é como o que acontece quando você mora perto de um aeroporto”, diz Rodolakis. “No dia em que você se muda, você pensa ‘que barulho’, mas eventualmente você mal nota mais.”

A segunda resposta mostrada pelo material é a sensibilização, que ocorre quando uma dose maior de eletricidade é administrada.

“Com um estímulo maior, a resposta do material aumenta em vez de diminuir com o tempo”, diz Rodolakis. “É como assistir a um filme de terror e então ter alguém dizendo ‘boo!’ atrás de uma esquina — você vê que ele realmente pula.”

“Quase todos os organismos vivos demonstram essas duas características”, continua Ramanathan. “Elas realmente são um aspecto fundamental da inteligência.”

As duas respostas são controladas por interações quânticas que ocorrem entre elétrons. Essas interações não podem ser descritas pela física clássica e desempenham um papel na formação da base para uma transição de fase no material.

“Um exemplo de transição de fase é um líquido se tornando um sólido”, diz Rodolakis. “O material que estamos olhando está exatamente na fronteira, e as interações concorrentes que estão acontecendo no nível eletrônico podem facilmente ser inclinadas para um lado ou para o outro por estímulos pequenos.”

De acordo com Ramanathan, é essencial ter um sistema que possa ser completamente controlado por sinais elétricos.

“Ser capaz de manipular materiais dessa forma permitirá que o hardware assuma parte da responsabilidade pela inteligência”, diz ele. “Usar propriedades quânticas para obter inteligência no hardware representa um passo fundamental em direção à computação eficiente em termos de energia.”

Superando o Dilema da Estabilidade-Plasticidade

Cientistas podem usar a diferença entre habituação e sensibilização para superar o dilema da estabilidade-plasticidade, que é um grande desafio no desenvolvimento da IA. Algoritmos frequentemente lutam para se adaptar a novas informações, e quando o fazem, eles frequentemente esquecem algumas de suas experiências anteriores ou o que aprenderam. Se os cientistas criarem um material que possa se habituar, eles podem ensinar a ignorar ou esquecer informações desnecessárias e alcançar estabilidade adicional. Por outro lado, a sensibilização pode treinar o sistema para lembrar e incorporar novas informações, o que permite a plasticidade.

“A IA frequentemente tem dificuldade em aprender e armazenar novas informações sem sobrescrever informações que já foram armazenadas”, diz Rodolakis. “Muita estabilidade impede que a IA aprenda, mas muita plasticidade pode levar a um esquecimento catastrófico.”

De acordo com a equipe, uma das grandes vantagens do novo estudo foi o pequeno tamanho do dispositivo de óxido de níquel.

“Esse tipo de aprendizado não havia sido feito na geração atual de eletrônicos sem um grande número de transistores”, explica Rodolakis. “O sistema de junção única é o menor sistema até o momento que mostra essas propriedades, o que tem grandes implicações para o possível desenvolvimento de circuitos neuromórficos.”