Os computadores e a inteligência artificial continuam a causar grandes mudanças na maneira como as pessoas fazem compras. É relativamente fácil treinar o cérebro de um robô para criar uma lista de compras, mas que tal garantir que o comprador robótico saiba facilmente a diferença entre os milhares de produtos na loja?

Pesquisadores da Purdue University e especialistas em computação inspirada no cérebro acreditam que parte da resposta pode ser encontrada nos ímãs. Os pesquisadores desenvolveram um processo para usar o magnetismo com redes semelhantes ao cérebro para programar e ensinar dispositivos como robôs pessoais, carros autônomos e drones para generalizar melhor sobre objetos diferentes.

"Nossas redes neurais estocásticas tentam imitar certas atividades do cérebro humano e computar por meio de uma conexão de neurônios e sinapses, "disse Kaushik Roy, Edward G. Tiedemann Jr. de Purdue, distinto professor de Engenharia Elétrica e de Computação. "Isso permite que o cérebro do computador não apenas armazene informações, mas também generalize bem sobre os objetos e, em seguida, faça inferências para ter um melhor desempenho na distinção entre os objetos."

Roy apresentou a tecnologia durante a Conferência Alemã de Ciências Físicas no início deste mês na Alemanha. O trabalho também apareceu no Fronteiras na neurociência .

A dinâmica de comutação de um nanoimã é semelhante à dinâmica elétrica dos neurônios. Dispositivos de junção de túnel magnético mostram comportamento de comutação, que é de natureza estocástica.

O comportamento de comutação estocástico é representativo de um comportamento de comutação sigmóide de um neurônio. Essas junções de túnel magnético também podem ser usadas para armazenar pesos sinápticos.

O grupo Purdue propôs um novo algoritmo de treinamento estocástico para sinapses usando a plasticidade dependente do tempo de pico (STDP), denominado Stochastic-STDP, que foi experimentalmente observado no hipocampo do rato. O comportamento estocástico inerente do ímã foi usado para alternar os estados de magnetização estocasticamente com base no algoritmo proposto para o aprendizado de diferentes representações de objetos.

Os pesos sinápticos treinados, codificado deterministicamente no estado de magnetização dos nanoímãs, são então usados ​​durante a inferência. Vantajosamente, o uso de ímãs de barreira de alta energia (30-40KT onde K é a constante de Boltzmann e T é a temperatura de operação) não só permite primitivas estocásticas compactas, mas também permite que o mesmo dispositivo seja usado como um elemento de memória estável atendendo ao requisito de retenção de dados. Contudo, a altura da barreira dos nanoímãs usados ​​para realizar cálculos neuronais do tipo sigmóide pode ser reduzida para 20KT para maior eficiência energética.

"A grande vantagem da tecnologia de ímã que desenvolvemos é que ela é muito eficiente em termos de energia, "disse Roy, que lidera o Centro de Purdue para Computação Inspirada no Cérebro Habilitando Inteligência Autônoma. "Nós criamos uma rede mais simples que representa os neurônios e sinapses enquanto comprimimos a quantidade de memória e energia necessária para realizar funções semelhantes aos cálculos cerebrais."

Roy disse que as redes semelhantes às do cérebro também têm outros usos na resolução de problemas difíceis, incluindo problemas de otimização combinatória, como o problema do caixeiro-viajante e coloração de grafos. Os dispositivos estocásticos propostos podem atuar como "recozedor natural", ajudando os algoritmos a sair dos mínimos locais.