O professor Thomas Müller e o professor Hans Briegel realizam pesquisas sobre um modelo de aprendizado de máquina há vários anos que difere significativamente dos modelos de aprendizado de inteligência artificial (IA) alternativos. O filósofo de Konstanz e o físico teórico da Universidade de Innsbruck integraram métodos de teoria da ação filosófica e óptica quântica. Seu modelo de aprendizagem "Simulação Projetiva" já foi aplicado com sucesso na pesquisa básica.

Junto com a física de Innsbruck Dra. Katja Ried, os pesquisadores já adaptaram este modelo de IA para aplicação realista em sistemas biológicos. A edição atual da revista científica PLoS One discute como o modelo de aprendizagem pode ser usado para modelar e reproduzir o comportamento específico de enxameação de gafanhotos.

Demanda por modelos "mais próximos da biologia"

Para realizar sua pesquisa colaborativa interdisciplinar, os cientistas usaram dados sobre o comportamento dos gafanhotos do Centro para o Estudo Avançado do Comportamento Coletivo em Konstanz, que realiza pesquisas sobre comportamento coletivo. Os biólogos, em particular, estão exigindo que os modelos que explicam o comportamento coletivo sejam projetados para serem "mais próximos da biologia".

A maioria dos modelos atuais foi concebida por físicos que presumem que os indivíduos em interação são influenciados por uma força física. Como resultado, eles não percebem necessariamente os indivíduos dentro dos enxames como agentes, mas ao invés, como pontos como unidades de magnetização em interação em uma grade. “Os modelos funcionam bem em física e têm uma boa base empírica. No entanto, eles não modelam a interação entre indivíduos vivos, "diz Thomas Müller.

As regras de IA permitem que os agentes aprendam

A Simulação Projetiva é um modelo de aprendizagem desenvolvido originalmente por Hans Briegel e é baseado em agentes que não reagem a eventos de forma pré-programada. Em vez de, eles são capazes de aprender. Esses "agentes de aprendizagem" são codificados como indivíduos com diferentes disposições comportamentais que interagem com seu ambiente percebendo e reagindo a estímulos sensoriais. Para este propósito, eles seguem regras de IA que lhes permitem usar suas experiências individuais anteriores para ajustar suas ações.

Por um lado, este processo de aprendizagem envolve processos aleatórios baseados na física quântica durante os quais todos os cursos de ação potenciais são considerados. Por outro lado, o princípio teórico de ação da aprendizagem por reforço entra em jogo, que se baseia na recompensa de determinados resultados. “Damos uma recompensa se o agente se movimentar com os outros de maneira bem ordenada. Com o tempo, um agente percebe:ao perceber certas coisas, é melhor reagir de uma forma que leve a uma recompensa. Não predefinimos o curso de ação correto em uma situação particular, mas garantimos que isso seja alcançado por meio da interação entre os agentes, "explica Thomas Müller.

O modelo de aprendizagem pode reproduzir o comportamento coletivo

Thomas Müller, Katja Ried e Hans Briegel aplicaram este modelo de aprendizagem ao comportamento de enxameação específico e bem pesquisado de um gafanhoto. Em um espaço confinado, o comportamento de movimento do inseto corresponde ao tamanho do enxame. Se houver apenas alguns indivíduos, os gafanhotos se movem desordenadamente. Em números maiores, eles se movem juntos como uma unidade. Em números muito grandes, eles se movem como uma unidade e na mesma direção. Uma vez que os pesquisadores estavam inicialmente interessados ​​em simplesmente testar seu modelo de aprendizagem, eles utilizaram uma descrição qualitativa do comportamento dos gafanhotos no lugar de dados brutos. Desta maneira, eles eram, na verdade, capaz de reproduzir qualitativamente o comportamento dos gafanhotos.

Olhando para a frente, Thomas Müller acredita que pesquisas futuras nesta área se beneficiarão de grandes conjuntos de dados em animais, como cardumes de peixes com seus padrões comportamentais dinâmicos. "Modelar peixes seria provavelmente uma próxima etapa boa, mas também muito complicada, para tornar nosso modelo de aprendizagem ainda mais realista, "conclui Müller.