Investigadores revelam que o caos controlado acelera a aprendizagem da IA

Uma investigação revelou que introduzir uma quantidade controlada de caos pode melhorar a aprendizagem de redes neuronais artificiais, sistemas computacionais essenciais para a inteligência artificial, inspirados em neurónios biológicos.

Os resultados do estudo do Instituto de Física Interdisciplinar e Sistemas Complexos (IFISC, CSIC-UIB), em Espanha, publicados na revista ‘Physical Review Research’, mostraram que as operações realizadas no início de um comportamento caótico, associado a erros ou instabilidade computacional, proporcionam um equilíbrio entre duas estratégias que melhoram o processamento de informação, quando o sistema combina o refinamento de soluções conhecidas com a exploração de novas possibilidades de entre o vasto número de configurações possíveis.

O treino de uma rede neural para realizar uma tarefa, como fazer previsões ou classificações, envolve o ajuste suave e gradual dos seus parâmetros internos.

Quando o seu desempenho atinge um nível satisfatório, dizemos que a rede aprendeu a tarefa.

Agora, um novo trabalho do IFISC mostra que introduzir uma quantidade controlada de caos neste processo pode acelerar a aprendizagem.

Este resultado é obtido quando a inteligência artificial realiza operações no início do comportamento caótico, permitindo-lhe refinar soluções conhecidas e, ao mesmo tempo, explorar novas possibilidades.

As redes neuronais artificiais aprendem normalmente utilizando algoritmos de otimização, como o gradiente descendente: um processo matemático utilizado pela IA para calcular um erro e determinar a direção da aprendizagem (vetor ou gradiente) que irá minimizar esse erro.

O sistema repete a operação milhões de vezes, ajustando gradualmente os parâmetros do modelo, até que o erro seja mínimo e a rede neural se torne precisa.