Carros que podem dirigir autonomamente foram manchetes recentemente. No futuro próximo, máquinas que podem aprender de forma autônoma se tornarão cada vez mais presentes em nossas vidas. O segredo para um aprendizado eficiente para essas máquinas é definir um processo iterativo para mapear a evolução de como os principais aspectos desses sistemas mudam ao longo do tempo.

Em um estudo publicado em EPJ B , Agustín Bilen e Pablo Kaluza da Universidad Nacional de Cuyo, Mendoza, A Argentina mostra que esses sistemas inteligentes podem evoluir de forma autônoma para realizar uma tarefa específica e bem definida ao longo do tempo. As aplicações variam de nanotecnologia a sistemas biológicos, como redes de transdução de sinal biológico, redes regulatórias genéticas com respostas adaptativas, ou redes genéticas nas quais o nível de expressão de certos genes em uma rede oscila de um estado para outro.

Esses sistemas autônomos não precisam de um tutor externo. Nem se reportam a uma unidade central projetada para modificar o que o sistema deve aprender, dependendo de seu desempenho. Para aumentar sua autonomia, os autores criaram uma dinâmica atrasada e um loop de feedback com o desempenho do sistema. A dinâmica atrasada fornece informações sobre a história do sistema, apresentando, assim, as relações passadas entre sua estrutura e desempenho. Por sua vez, o ciclo de feedback oferece informações sobre o desempenho real do sistema em termos de quão próximo está da tarefa desejada.

Os pesquisadores primeiro aplicaram com sucesso sua abordagem a uma rede neural responsável por classificar vários padrões, que rendeu robustez de 66%. Esses insights podem ser aplicados, por exemplo, em eletrônica analógica, onde uma peça de hardware pode aprender uma tarefa de forma autônoma, sem uma unidade de processamento central ou controle externo. A equipe também testou sua solução em um sistema de osciladores de fase, que são interessantes porque as populações de tais osciladores exibem alguns traços de sincronização notáveis. Em tais casos, a aprendizagem autônoma ajuda a evitar as flutuações inerentes de erro normalmente encontradas em tais sistemas.