Modelo de AI baseado em neural oscillations amplia previsão long-sequência estável

Cambridge, MA — InkDesign News — Pesquisadores do MIT desenvolveram um novo modelo de machine learning inspirado nas oscilações neurais do cérebro para melhorar o processamento eficiente e estável de longas sequências de dados em aplicações de AI.

Contexto da pesquisa

Modelos de inteligência artificial muitas vezes enfrentam dificuldades para analisar dados complexos que se estendem por longos períodos, como sinais biológicos, tendências climáticas e dados financeiros. Modelos do tipo “state-space” foram criados para lidar melhor com essas sequências, mas geralmente apresentam instabilidade e demanda computacional elevada.

Método proposto

A equipe do MIT CSAIL liderada por T. Konstantin Rusch e Daniela Rus introduziu os “modelos lineares oscilatórios de estado” (LinOSS), que aplicam princípios de osciladores harmônicos forçados, observados em redes neurais biológicas. Esse modelo de state-space linear combina estabilidade, expressividade e eficiência computacional sem exigir restrições rígidas nos parâmetros do modelo.

O trabalho, apresentado no artigo Oscillatory State-Space Models, demonstra que o LinOSS possui capacidade universal de aproximação para funções contínuas e causais, ampliando seu potencial para diversas tarefas que envolvem sequências longas.

“Nosso objetivo era captar a estabilidade e eficiência vistas em sistemas neurais biológicos e traduzir esses princípios para um framework de aprendizado de máquina.”
(“Our goal was to capture the stability and efficiency seen in biological neural systems and translate these principles into a machine learning framework.”)

— T. Konstantin Rusch, Pesquisador, MIT CSAIL

Resultados e impacto

Testes empíricos mostraram que o LinOSS supera consistentemente modelos atuais em tarefas de classificação e previsão envolvendo sequências muito longas. Em particular, obteve desempenho quase duas vezes melhor que o modelo Mamba, referência na área, em sequências extremas.

O estudo foi selecionado para apresentação oral no ICLR 2025, destacando sua relevância acadêmica. Os autores apontam que o LinOSS pode ser aplicado em setores como análise de dados em saúde, ciência climática, direção autônoma e previsão financeira.

“Este trabalho exemplifica como rigor matemático pode levar a avanços de performance e aplicações amplas.”
(“This work exemplifies how mathematical rigor can lead to performance breakthroughs and broad applications.”)

— Daniela Rus, Pesquisadora, MIT CSAIL

Além de oferecer ferramenta robusta para machine learning, o modelo pode fornecer insights valiosos na neurociência, auxiliando na compreensão dos processos cerebrais por meio da emulação computacional das oscilações neurais.

Fonte: (TechXplore – Machine Learning & AI)