Redes neurais curvas melhoram memória em IA por design geométrico

São Paulo — InkDesign News — A nova pesquisa internacional revela uma potencial revolução em machine learning através da introdução das Redes Neurais Curvadas. Essa abordagem inovadora, inspirada em conceitos geométricos, promete melhorar a eficácia e a confiabilidade da memória em sistemas de inteligência artificial, oferecendo uma alternativa à dependência de dados.

Contexto da pesquisa

A pesquisa foi conduzida por uma equipe do Basque Center for Applied Mathematics (BCAM), Araya Inc., da Universidade de Sussex e da Universidade de Kyoto. Os resultados foram publicados na Nature Communications.

Método proposto

As Redes Neurais Curvadas representam um avanço nos modelos de AI ao introduzir uma geometria curva que simula a complexidade das interações humanas. Em contraste com sistemas tradicionais que funcionam com conexões simples, como “conversas um a um”, estes novos modelos exploram interações multi-direcionais. Miguel Aguilera, do BCAM, afirmou:

“O cérebro humano opera com interações ricas e multi-direcionais, onde muitos sinais se influenciam simultaneamente.”
(“But the human brain operates with rich, multi-way interactions, where many signals influence each other at once.”)

— Miguel Aguilera, Pesquisador, BCAM

Resultados e impacto

A pesquisa revelou três características chave das Redes Neurais Curvadas: Explosive Memory Recall, onde o sistema acessa rapidamente memórias armazenadas, como acender um interruptor; Self-Tuning Intelligence, que permite à AI ajustar automaticamente seu foco ao recuperar informações, acelerando suas respostas; e Fewer Mistakes, que utiliza um único parâmetro de ajuste para equilibrar entre poder de memória e precisão. Segundo Pablo A Morales, da Araya Inc.:

“Essas propriedades não são codificadas, mas surgem naturalmente da geometria curva do modelo.”
(“These properties are not hardcoded, but arise naturally from the curved geometry of the model.”)

— Pablo A Morales, Araya Inc.

Esses avanços podem levar a sistemas de AI mais adaptativos e eficientes, tornando-os mais acessíveis e menos complexos para interpretação. O professor Hideaki Shimazaki da Universidade de Kyoto observou:

“A descoberta contribuirá sem dúvida para o futuro da AI.”
(“The discovery will undoubtedly contribute to the future of AI.”)

— Hideaki Shimazaki, Professor Associado, Universidade de Kyoto

Os próximos passos incluem a aplicação dessas redes em diversas áreas, como neuromática, robótica e modelagem de memória, potencialmente transformando a forma como as máquinas interagem e armazenam informações.

Fonte: (TechXplore – Machine Learning & AI)