Neurocientistas computacionais ensinaram uma rede neural artificial a imitar um neurônio biológico. O resultado oferece uma nova maneira de pensar sobre a complexidade de células cerebrais individuais.
Nossos cérebros pastosos parecem muito distantes dos chips de silício sólidos dos processadores de computador, mas os cientistas têm uma longa história de comparação entre os dois. Como Alan Turing disse em 1952: “Não estamos interessados no fato de que o cérebro tem a consistência de mingau frio”. Em outras palavras, o meio não importa, apenas a capacidade computacional.
Hoje, os sistemas de inteligência artificial mais poderosos empregam um tipo de aprendizado de máquina chamado aprendizado profundo. Seus algoritmos aprendem processando grandes quantidades de dados por meio de camadas ocultas de nós interconectados, conhecidos como redes neurais profundas. Como o nome sugere, as redes neurais profundas foram inspiradas pelas redes neurais reais no cérebro, com os nós modelados a partir de neurônios reais – ou, pelo menos, depois do que os neurocientistas sabiam sobre os neurônios na década de 1950, quando um modelo de neurônio influente chamado de Perceptron nasceu. Desde então, nossa compreensão da complexidade computacional de neurônios individuais se expandiu dramaticamente, então neurônios biológicos são conhecidos por serem mais complexos que os artificiais. Mas por quanto?
Para descobrir, David Beniaguev, Idan Segev e Michael London, todos da Universidade Hebraica de Jerusalém, treinaram uma rede neural profunda artificial para imitar os cálculos de um neurônio biológico simulado. Eles mostraram que uma rede neural profunda requer entre cinco e oito camadas de “neurônios” interconectados para representar a complexidade de um único neurônio biológico.
Mesmo os autores não previram tal complexidade. “Achei que seria mais simples e menor”, disse Beniaguev. Ele esperava que três ou quatro camadas fossem suficientes para capturar os cálculos realizados dentro da célula.
Timothy Lillicrap, que projeta algoritmos de tomada de decisão na empresa de IA de propriedade do Google DeepMind, disse que o novo resultado sugere que pode ser necessário repensar a velha tradição de comparar vagamente um neurônio no cérebro a um neurônio no contexto de aprendizado de máquina. “Este artigo realmente ajuda a forçar a questão de pensar sobre isso com mais cuidado e tentar descobrir até que ponto você pode fazer essas analogias”, disse ele.
A analogia mais básica entre neurônios artificiais e reais envolve como eles lidam com as informações que chegam. Ambos os tipos de neurônios recebem sinais de entrada e, com base nessas informações, decidem se enviam seu próprio sinal para outros neurônios. Enquanto os neurônios artificiais dependem de um cálculo simples para tomar essa decisão, décadas de pesquisa mostraram que o processo é muito mais complicado em neurônios biológicos. Neurocientistas computacionais usam uma função de entrada-saída para modelar a relação entre as entradas recebidas pelos longos ramos em forma de árvore de um neurônio biológico, chamados dendritos, e a decisão do neurônio de enviar um sinal.
Essa função é o que os autores do novo trabalho ensinaram uma rede neural profunda artificial a imitar para determinar sua complexidade. Eles começaram criando uma simulação massiva da função de entrada-saída de um tipo de neurônio com árvores distintas de ramos dendríticos em sua parte superior e inferior, conhecido como neurônio piramidal, do córtex de um rato. Em seguida, eles alimentaram a simulação em uma rede neural profunda que tinha até 256 neurônios artificiais em cada camada. Eles continuaram aumentando o número de camadas até atingirem 99% de precisão no nível de milissegundos entre a entrada e a saída do neurônio simulado. A rede neural profunda previu com sucesso o comportamento da função de entrada-saída do neurônio com pelo menos cinco – mas não mais do que oito – camadas artificiais. Na maioria das redes, isso equivale a cerca de 1.000 neurônios artificiais para apenas um neurônio biológico.
“[O resultado] forma uma ponte de neurônios biológicos para neurônios artificiais”, disse Andreas Tolias, neurocientista computacional do Baylor College of Medicine.
Mas os autores do estudo alertam que ainda não é uma correspondência direta. “A relação entre quantas camadas você tem em uma rede neural e a complexidade da rede não é óbvia”, disse London. Portanto, não podemos realmente dizer quanto mais complexidade é obtida passando de, digamos, quatro camadas para cinco. Nem podemos dizer que a necessidade de 1.000 neurônios artificiais significa que um neurônio biológico é exatamente 1.000 vezes mais complexo. Em última análise, é possível que o uso de neurônios exponencialmente mais artificiais dentro de cada camada levasse a uma rede neural profunda com uma única camada – mas provavelmente exigiria muito mais dados e tempo para o algoritmo aprender.
“Tentamos muitas, muitas arquiteturas com muitas profundidades e muitas coisas, e a maioria falhou”, disse London. Os autores compartilharam seu código para encorajar outros pesquisadores a encontrar uma solução inteligente com menos camadas. Mas, considerando o quão difícil foi encontrar uma rede neural profunda que pudesse imitar o neurônio com 99% de precisão, os autores estão confiantes de que seu resultado fornece uma comparação significativa para pesquisas futuras. Lillicrap sugeriu que pode oferecer uma nova maneira de relacionar redes de classificação de imagens, que muitas vezes requerem mais de 50 camadas, para o cérebro. Se cada neurônio biológico for como uma rede neural artificial de cinco camadas, talvez uma rede de classificação de imagem com 50 camadas seja equivalente a 10 neurônios reais em uma rede biológica.
Os autores também esperam que o resultado mude a atual arquitetura de rede profunda em IA. “Pedimos a substituição da tecnologia de rede profunda para torná-la mais próxima de como o cérebro funciona, substituindo cada unidade simples na rede profunda hoje por uma unidade que representa um neurônio, que já é – por conta própria – profundo”, disse Segev. Neste cenário de substituição, os pesquisadores e engenheiros de IA poderiam conectar uma rede de cinco camadas de profundidade como uma “minirrede” para substituir todos os neurônios artificiais.
Mas alguns se perguntam se isso realmente beneficiaria a IA. “Eu acho que é uma questão em aberto, se há uma vantagem computacional real”, disse Anthony Zador, neurocientista do Cold Spring Harbor Laboratory. “Este [trabalho] estabelece a base para testar isso.”
Fora das aplicações de IA, o novo artigo também contribui para um consenso crescente sobre o forte poder computacional das árvores dendríticas e, por proxy, neurônios individuais. Em 2003, um trio de neurocientistas mostrou que as árvores dendríticas de um neurônio piramidal realizam cálculos complexos, modelando-o como uma rede neural artificial de duas camadas. No novo artigo, os autores investigaram quais características do neurônio piramidal inspiraram a complexidade muito maior em suas redes neurais profundas de cinco a oito camadas. Eles concluíram que era proveniente das árvores dendríticas e de um receptor específico que recebe mensageiros químicos na superfície dos dendritos – descobertas que estão de acordo com trabalhos anteriores no campo.
Alguns acreditam que o resultado significa que os neurocientistas deveriam tornar o estudo de neurônios individuais uma prioridade maior. “Este artigo torna o pensamento sobre dendritos e neurônios individuais muito mais importante do que antes”, disse Konrad Kording, neurocientista computacional da Universidade da Pensilvânia. Outros, como Lillicrap e Zador, sugeriram que focar em neurônios dentro de um circuito será tão importante para aprender como o cérebro realmente coloca em uso a complexidade computacional de neurônios individuais.
Independentemente disso, a linguagem das redes neurais artificiais pode fornecer novos insights sobre o poder dos neurônios e, em última análise, do cérebro. “Pensar em termos de camadas e profundidades e larguras nos dá uma sensação intuitiva de complexidade computacional”, disse Grace Lindsay, neurocientista computacional da University College London. Mesmo assim, Lindsay também adverte que o novo trabalho ainda está apenas comparando um modelo a um modelo. Infelizmente, atualmente é impossível para os neurocientistas registrar a função de entrada-saída completa de um neurônio real, então provavelmente há mais coisas acontecendo que o modelo de um neurônio biológico não está capturando. Em outras palavras, os neurônios reais podem ser ainda mais complexos.
“Não temos certeza de que entre cinco e oito seja realmente o número final”, disse London.
Publicado em 02/09/2021 22h33
Artigo original: