São Paulo — InkDesign News —
A pesquisa recente em machine learning trouxe avanços significativos na eficiência do raciocínio e planejamento em modelos de difusão, potencializando a tomada de decisões em tempo real para aplicações em robótica inteligente e AI generativa.
Contexto da pesquisa
Os modelos de difusão são amplamente utilizados em diversas aplicações de inteligência artificial, mas as investigações sobre a escalabilidade eficiente em tempo de inferência para raciocínio e planejamento têm sido escassas. Para preencher essa lacuna, uma equipe de pesquisa da KAIST, liderada pelo professor Sungjin Ahn, desenvolveu uma nova tecnologia que possibilita uma inferência de alto desempenho e eficiência para planejamento com base em modelos de difusão.
Método proposto
A equipe propôs uma técnica inovadora de inferência de modelo de difusão baseada na Busca por Monte Carlo. Este método explora diferentes caminhos de geração durante o processo de difusão em uma estrutura de árvore, visando identificar saídas de alta qualidade mesmo com recursos computacionais limitados.
Resultados e impacto
Os resultados foram notáveis, alcançando uma taxa de sucesso de 100% em uma tarefa de resolução de grandes labirintos, onde abordagens anteriores não tinham obtido sucesso. O trabalho foi colaborativo com o professor Yoshua Bengio, um renomado pesquisador em aprendizagem profunda, e é parte de uma parceria entre a KAIST e o Mila (Quebec AI Institute). A pesquisa também abordou uma limitação significativa da abordagem anterior, sua lentidão, ao otimizar os custos computacionais, obtendo melhorias de até 100 vezes mais rápidas sem comprometer a qualidade.
“Esta pesquisa fundamentalmente supera as limitações dos métodos de planejamento existentes baseados em modelos de difusão, que exigiam altos custos computacionais.”
(“This research fundamentally overcomes the limitations of existing planning methods based on diffusion models, which required high computational cost.”)— Sungjin Ahn, Professor, KAIST
Os avanços têm potencial significativo para impulsionar tecnologias em áreas como robótica inteligente e tomada de decisão baseada em simulação. As próximas etapas incluem a aplicação dessa tecnologia em cenários do mundo real, onde decisões em tempo real são críticas.
Fonte: (TechXplore – Machine Learning & AI)
