Pesquisadores da Universidade Estadual da Carolina do Norte descobriram que ensinar física a redes neurais permite que essas redes se adaptem melhor ao caos em seu ambiente. O trabalho tem implicações para aplicativos aprimorados de inteligência artificial (AI), que vão desde diagnósticos médicos até pilotagem de drones automatizados.

As redes neurais são um tipo avançado de IA vagamente baseado na maneira como nossos cérebros funcionam. Nossos neurônios naturais trocam impulsos elétricos de acordo com a intensidade de suas conexões. As redes neurais artificiais imitam esse comportamento ajustando os pesos e vieses numéricos durante as sessões de treinamento para minimizar a diferença entre seus resultados reais e desejados. Por exemplo, uma rede neural pode ser treinada para identificar fotos de cães examinando um grande número de fotos, adivinhar se a foto é de um cachorro, ver o quão longe ele está e então ajustar seus pesos e preconceitos até que estejam mais próximos da realidade.

A desvantagem desse treinamento de rede neural é algo chamado "cegueira do caos" - uma incapacidade de prever ou responder ao caos em um sistema. A IA convencional é o caos cego. Mas pesquisadores do Nonlinear Artificial Intelligence Laboratory (NAIL) da NC State descobriram que a incorporação de uma função hamiltoniana em redes neurais permite que eles "vejam" o caos dentro de um sistema e se adaptem de acordo.

Simplificando, o hamiltoniano incorpora as informações completas sobre um sistema físico dinâmico - a quantidade total de todas as energias presentes, cinética e potencial. Imagine um pêndulo oscilante, movendo-se para frente e para trás no espaço ao longo do tempo. Agora olhe para um instantâneo desse pêndulo. O instantâneo não pode dizer onde o pêndulo está em seu arco ou para onde ele está indo em seguida. As redes neurais convencionais operam a partir de um instantâneo do pêndulo. As redes neurais familiarizadas com o fluxo hamiltoniano entendem a totalidade do movimento do pêndulo - onde ele está, onde vai ou pode ser, e as energias envolvidas em seu movimento.

Em um projeto de prova de conceito, a equipe NAIL incorporou a estrutura hamiltoniana em redes neurais, em seguida, aplicou-os a um modelo conhecido de dinâmica estelar e molecular denominado modelo de Hénon-Heiles. A rede neural hamiltoniana previu com precisão a dinâmica do sistema, mesmo enquanto se movia entre a ordem e o caos.

"O hamiltoniano é realmente o 'molho especial' que dá às redes neurais a capacidade de aprender a ordem e o caos, "diz John Lindner, pesquisador visitante do NAIL, professor de física no The College of Wooster e autor correspondente de um artigo que descreve o trabalho. "Com o Hamiltoniano, a rede neural entende a dinâmica subjacente de uma maneira que uma rede convencional não consegue. Este é um primeiro passo em direção a redes neurais com conhecimento de física que podem nos ajudar a resolver problemas difíceis. "

O trabalho aparece em Revisão Física E e é apoiado em parte pelo Office of Naval Research. O pesquisador de pós-doutorado do NC State, Anshul Choudhary, é o primeiro autor. Bill Ditto, professor de física na NC State, é diretor da NAIL. Pesquisador visitante Scott Miller; Sudeshna Sinha, do Instituto Indiano de Educação Científica e Pesquisa Mohali; e o estudante de graduação da Carolina do Norte, Elliott Holliday, também contribuíram para o trabalho.