&bala; Física 18, s6
Uma nova técnica de treinamento poderia aumentar o número de sistemas físicos que poderiam servir como plataformas de IA.
Redes neurais físicas (PNNs) são sistemas de computação analógicos baseados em {hardware} eletrônico, óptico ou mesmo biológico, em vez de chips de computador. Os PNNs podem potencialmente funcionar tão bem quanto os sistemas convencionais de IA. Mas consomem menos energia e são mais resistentes aos efeitos de ambientes ruidosos. Agora, Satoshi Sunada, da Universidade de Kanazawa, no Japão, e seus colegas desenvolveram um protocolo de treinamento que aborda alguns dos desafios do treinamento PNN (1). Em testes, os pesquisadores descobriram que um circuito optoeletrônico treinado usando seu protocolo teve um desempenho tão bom quanto as redes neurais convencionais. Eles dizem que seu protocolo deve permitir que uma variedade maior de sistemas físicos sirvam como plataformas de computação PNN.
Sunada e seus colegas focaram em um tipo geral de PNN que não é uma rede tradicional. Em vez disso, poderia ser qualquer processo físico complexo que recebe um sinal de entrada e produz um sinal de saída que depende tanto do sinal de entrada quanto do sinal de controle, com todos os três sinais variando no tempo. O processo de treinamento permite que o sinal de controle seja otimizado para fornecer saídas mais precisas, dada uma variedade de entradas.
Os protocolos anteriores exigiam um modelo detalhado do sistema de computação – o que muitas vezes não é possível para PNNs – ou eram limitados a cálculos passo a passo (tempo discreto), em vez daqueles que envolviam variáveis que evoluem continuamente no tempo. O novo protocolo evita estas questões ao combinar elementos de dois quadros teóricos diferentes. Uma é uma abordagem matemática para otimizar o desempenho de um sistema controlado externamente, chamada teoria de controle ótimo. A outra é uma abordagem de treinamento chamada alinhamento de suggestions direto. Testes utilizando circuito optoeletrônico indicaram rápida convergência para resultados precisos e bom desempenho na presença de ruído ambiental.
–David Ehrenstein
David Ehrenstein é editor sênior da Revista Física.
Referências
- S. Sunada e outros.“Combinando controle supreme e aprendizado biologicamente plausível para redes neurais físicas robustas a ruído,” Física. Rev. 134017301 (2025).
Áreas temáticas
