Comparar neurônio a computadores é uma analogia longa e cara tanto na neurociência quanto na ciência da computação.
Não é difícil perceber por quê.
Nossos cérebros podem realizar muitas das tarefas que desejamos que os computadores realizem com uma graça fácil e misteriosa. Então, continua, entender o funcionamento interno de nossas mentes pode nos ajudar a construir computadores melhores; e esses computadores podem nos ajudar a entender melhor nossas próprias mentes Além disso, se os cérebros são como os computadores, saber quanta computação eles precisam para fazer o que fazem pode nos ajudar a prever quando as máquinas vão se igualar às mentes.
Na verdade, já existe um fluxo produtivo de conhecimento entre os campos.
O aprendizado profundo, uma forma poderosa de inteligência artificial, por exemplo, é vagamente modelado nas vastas redes de neurônios em camadas do cérebro.
Você pode pensar em cada “nó” em uma rede neural profunda como um neurônio artificial. Como os neurônios, os nós recebem sinais de outros nós conectados a eles e realizam operações matemáticas para transformar a entrada em saída.
Dependendo dos sinais que um nó recebe, ele pode optar por enviar seu próprio sinal para todos os nós de sua rede.Assim, os sinais cascatearão camada sobre camada de nós, progressivamente ajustando e aprimorando o algoritmo.
O cérebro também funciona assim, mas a palavra-chave acima é vaga.
Os cientistas sabem que os neurônios biológicos são mais complexos do que os neurônios artificiais empregados em algoritmos de aprendizagem profunda, mas é uma questão em aberto o quão mais complexos.
Em um artigo fascinante publicado recentemente na revista Neuron, uma equipe de pesquisadores da Universidade Hebraica de Jerusalém tentou nos levar um pouco mais perto de uma resposta. Embora esperassem que os resultados mostrassem que os neurônios biológicos são mais complexos, eles ficaram surpresos com apenas quão mais complexos eles realmente são.
No estudo, a equipe descobriu que era necessária uma rede neural de cinco a oito camadas, ou quase 1.000 neurônios artificiais, para imitar o comportamento de um único neurônio biológico do córtex cerebral.
Embora os pesquisadores avisem que os resultados são um limite superior para a complexidade – em oposição a uma medição exata dela – eles também acreditam que suas descobertas podem ajudar os cientistas a identificar o que exatamente torna os neurônios biológicos tão complexos. E esse conhecimento, talvez, possa ajudar engenheiros projetam redes neurais e IA ainda mais capazes.
“[O resultado] forma uma ponte entre neurônios biológicos e neurônios artificiais”, disse Andreas Tolias, neurocientista computacional do Baylor College of Medicine, ao Quanta na semana passada.
Cérebro incrível
O maior apagão da internet pode ser causado por uma tempestade solar?
Os neurônios são as células que constituem o nosso cérebro. Existem muitos tipos diferentes de neurônios, mas geralmente, eles têm três partes: estruturas finas e ramificadas chamadas dendritos, um corpo celular e um axônio semelhante a uma raiz.
Em uma extremidade, os dendritos se conectam a uma rede de outros neurônios em junções chamadas sinapses. Na outra extremidade, o axônio forma sinapses com uma população diferente de neurônios ao longo de seus próprios sinais (ou picos).
Para comparar neurônios biológicos e artificiais computacionalmente, a equipe perguntou: Qual o tamanho de uma rede neural artificial seria necessária para simular o comportamento de um único neurônio biológico?
Primeiro, eles construíram um modelo de um neurônio biológico (neste caso, um neurônio piramidal do córtex de um rato). O modelo usou cerca de 10.000 equações diferenciais para simular como e quando o neurônio traduziria uma série de sinais de entrada em um pico de seu ter.
Em seguida, eles alimentaram seus neurônios simulados, registraram as saídas e treinaram algoritmos de aprendizado profundo em todos os dados. Seu objetivo? Encontrar o algoritmo que pudesse se aproximar com mais precisão do modelo.
(Vídeo: um modelo de um neurônio piramidal (à esquerda) recebe sinais por meio de suas ramificações dendríticas. Nesse caso, os sinais provocam três picos.)
Eles aumentaram o número de camadas no algoritmo até que ele tivesse 99% de precisão na previsão da saída do neurônio simulado dado um conjunto de entradas. O ponto ideal era de pelo menos cinco camadas, mas não mais do que oito, ou cerca de 1.000 neurônios artificiais por neurônio biológico. O algoritmo de aprendizado profundo era muito mais simples do que o modelo original – mas ainda assim bastante complexo.
De onde surge essa complexidade?
Acontece que isso se deve principalmente a um tipo de receptor químico nos dendritos – o canal iônico NMDA – e à ramificação dos dendritos no espaço. O autor principal David Beniaguev tuitou em 2019, descrevendo uma versão anterior do trabalho publicado como uma pré-impressão.
De fato, depois de remover esses recursos, a equipe descobriu que poderia combinar o modelo biológico simplificado com um algoritmo de aprendizado profundo de camada única.
Um benchmark em movimento
É tentador extrapolar os resultados da equipe para estimar a complexidade computacional de todo o cérebro. Mas não estamos nem perto dessa medida.
Por um lado, é possível que a equipe não tenha encontrado o algoritmo mais eficiente.
É comum que a comunidade de desenvolvedores aprimore rapidamente a primeira versão de um algoritmo de aprendizado profundo avançado. Dada a iteração intensiva no estudo, a equipe está confiante nos resultados, mas também divulgou o modelo, os dados e o algoritmo para a área científica comunidade para ver se alguém poderia fazer melhor.
Além disso, o neurônio modelo vem do cérebro de um rato, em oposição ao de um humano, e é apenas um tipo de célula cerebral. Além disso, o estudo está comparando um modelo a um modelo – não há, ainda, nenhuma maneira de fazer um É perfeitamente possível que a coisa real seja mais, não menos, complexa.
Ainda assim, a equipe acredita que seu trabalho pode impulsionar a neurociência e a IA.
No primeiro caso, o estudo é mais uma evidência de que os dendritos são criaturas complicadas que merecem mais atenção.No último caso, pode levar a novas arquiteturas algorítmicas radicais.
“Pedimos a substituição da tecnologia de rede profunda para torná-la mais próxima de como” Idan Segev, co-autor do artigo, sugere que os engenheiros deveriam tentar substituir os neurônios artificiais simples nos algoritmos atuais por uma mini rede de cinco camadas que simula um neurônio biológico O cérebro funciona substituindo cada unidade simples na rede profunda hoje por uma unidade que representa um neurônio, que já é – por conta própria – profundo ”, disse Segev.
Se tanta complexidade adicional valeria a pena, é incerto. Os especialistas discutem quanto dos algoritmos de detalhes do cérebro precisam capturar para obter resultados semelhantes ou melhores.
Mas é difícil argumentar com milhões de anos de experimentação evolutiva. Até agora, seguir o projeto do cérebro tem sido uma estratégia gratificante. E se este trabalho servir de indicação, as futuras redes neurais podem muito bem diminuir em tamanho e complexidade.
Fonte: Singularityhub
O que você achou? Deixe seu comentário. Além disso, não se esqueça de entrar no nosso grupo do Telegram. Clique em “Canal do Telegram” que está localizado no canto superior direito da página!
Comentários