São Paulo — InkDesign News —
A pesquisa realizada na Universidade Técnica de Munique revela que as redes neurais artificiais podem prever movimentos de forma mais precisa quando treinadas com dados biológicos da retina em desenvolvimento. Essa abordagem promete avanços significativos em aplicações de machine learning e inteligência artificial.
Contexto da pesquisa
A capacidade de prever movimentos é essencial não apenas para humanos e animais, mas também para diversas aplicações de IA, desde veículos autônomos até robótica. Pesquisadores da TUM descobriram que as redes neurais artificiais se beneficiam de um estágio de pré-treinamento inspirado no desenvolvimento visual biológico, que ocorre mesmo antes da abertura dos olhos em vertebrados.
Método proposto
O estudo introduziu uma fase de pré-treinamento em redes neurais, semelhante ao processo de treinamento observado em sistemas visuais biológicos. Os pesquisadores utilizaram dados de atividade espontânea da retina, conhecidos como “ondas retinianas”, para treinar um grupo de redes neurais. Outro grupo foi treinado apenas com dados de um filme animado representando a perspectiva de um rato em um corredor.
Resultados e impacto
As redes que passaram pelo pré-treinamento com ondas retinianas superaram as que não realizaram essa etapa, apresentando melhor desempenho em termos de velocidade e precisão. Após controlar o tempo total de treinamento, as redes pré-treinadas mantiveram uma vantagem clara. A complexidade foi aumentada ao utilizar filmagens do mundo real capturadas a partir da perspectiva de um gato, onde as redes pré-treinadas novamente se destacaram em comparação com as demais.
“As redes neurais artificiais são tipicamente treinadas usando dados que imitam de perto a tarefa que devem realizar. Inspiramo-nos na natureza e incorporamos um estágio de pré-treinamento na formação de redes neurais.”
(“Artificial neural networks are typically trained using data that closely resembles the task they’re intended to perform. We took inspiration from nature and incorporated a pre-training stage, analogous to that in the biological visual system, into the training of neural networks.”)— Julijana Gjorgjieva, Professora de Neurociência Computacional, TUM
A pesquisa mostra como o aprendizado profundo pode ser aprimorado ao integrar dados biológicos. As implicações desse trabalho se estendem a áreas como robótica e veículos autônomos, onde a previsão precisa de movimentos é crucial. Os próximos passos envolvem expandir essa abordagem para outras áreas da inteligência artificial.
Fonte: (TechXplore – Machine Learning & AI)
