doi.org/10.1038/s41467-024-48133-3
Credibilidade: 989
#Autônomo
Pesquisas recentes destacam o desenvolvimento de algoritmos avançados de machine learning capazes de controlar sistemas complexos de forma eficiente. Estes novos algoritmos, testados em gêmeos digitais de circuitos eletrónicos caóticos, não só prevêem e controlam estes sistemas de forma eficaz, mas também oferecem melhorias significativas no consumo de energia e nas exigências computacionais.
De acordo com um novo estudo de investigação, os sistemas controlados por algoritmos de computação da próxima geração poderão dar origem a produtos de aprendizagem automática melhores e mais eficientes.
Os pesquisadores usaram técnicas de machine learning para construir um gêmeo digital – uma réplica virtual – de um circuito eletrônico conhecido por seu comportamento caótico.
Eles descobriram que foram bem-sucedidos em prever como ele se comportaria e em usar essas informações para controlá-lo.
As limitações dos controladores lineares: Muitos dispositivos do dia a dia, como termostatos e controle de cruzeiro, utilizam controladores lineares – que usam regras simples para direcionar um sistema para um valor desejado.
Os termostatos, por exemplo, empregam essas regras para determinar quanto aquecer ou resfriar um espaço com base na diferença entre as temperaturas atuais e desejadas.
No entanto, devido à sua simplicidade, estes algoritmos têm dificuldade em controlar sistemas que apresentam um comportamento complexo, como o caos.
Como resultado, dispositivos avançados, como carros e aeronaves autônomos, muitas vezes dependem de controladores baseados em machine learning, que usam redes complexas para aprender o algoritmo de controle ideal necessário para operar melhor.
No entanto, esses algoritmos têm desvantagens significativas, a mais exigente delas é que eles podem ser extremamente desafiadores e de implementação computacionalmente cara.
O impacto dos gêmeos digitais eficientes: agora, ter acesso a um gêmeo digital eficiente provavelmente terá um impacto abrangente sobre como os cientistas desenvolvem futuras tecnologias autônomas, disse Robert Kent, principal autor do estudo e estudante de pós-graduação em física na The Ohio State Universidade.
“O problema com a maioria dos controladores baseados em machine learning é que eles usam muita energia e demoram muito para serem avaliados”, disse Kent.
“O desenvolvimento de controladores tradicionais para eles também tem sido difícil porque os sistemas caóticos são extremamente sensíveis a pequenas mudanças.” Estas questões, disse ele, são críticas em situações em que milissegundos podem fazer a diferença entre a vida e a morte, como quando os veículos autónomos devem decidir travar para evitar um acidente.
O estudo foi publicado recentemente na Nature Communications.
Avanços na arquitetura de machine learning: Compacto o suficiente para caber em um chip de computador barato, capaz de se equilibrar na ponta do dedo e funcionar sem conexão com a Internet, o gêmeo digital da equipe foi construído para otimizar a eficiência e o desempenho de um controlador, o que os pesquisadores descobriram que resultou em um redução do consumo de energia.
Ele consegue isso com bastante facilidade, principalmente porque foi treinado usando um tipo de abordagem de machine learning chamada computação de reservatório.
“O melhor da arquitetura de machine learning que usamos é que ela é muito boa para aprender o comportamento de sistemas que evoluem com o tempo”, disse Kent.
“É inspirado na forma como as conexões surgem no cérebro humano.” Aplicações práticas e direções futuras: Embora chips de computador de tamanho semelhante tenham sido usados em dispositivos como refrigeradores inteligentes, de acordo com o estudo, essa nova capacidade computacional torna o novo modelo especialmente bem equipado para lidar com sistemas dinâmicos, como veículos autônomos, bem como monitores cardíacos, que devem ser capazes de se adaptar rapidamente aos batimentos cardíacos do paciente.
“Grandes modelos de machine learning precisam consumir muita energia para processar dados e obter os parâmetros corretos, enquanto nosso modelo e treinamento são tão extremamente simples que você poderia ter sistemas de aprendizado em tempo real”, disse ele.
Para testar esta teoria, os investigadores direcionaram o seu modelo para completar tarefas de controle complexas e compararam os seus resultados com os de técnicas de controle anteriores.
O estudo revelou que sua abordagem alcançou maior precisão nas tarefas do que sua contraparte linear e é significativamente menos complexa computacionalmente do que um controlador anterior baseado em machine learning.
“O aumento na precisão foi bastante significativo em alguns casos”, disse Kent.
Embora o resultado tenha mostrado que o seu algoritmo requer mais energia do que um controlador linear para funcionar, esta compensação significa que quando é ligado, o modelo da equipe dura mais tempo e é consideravelmente mais eficiente do que os atuais controladores baseados em aprendizagem automática no mercado.
“As pessoas encontrarão um bom uso disso apenas com base em sua eficiência”, disse Kent.
“Você pode implementá-lo em praticamente qualquer plataforma e é muito simples de entender.” O algoritmo foi recentemente disponibilizado aos cientistas.
Considerações Económicas e Ambientais: Além de inspirar potenciais avanços na engenharia, há também um incentivo econômico e ambiental igualmente importante para a criação de algoritmos mais ecológicos, disse Kent.
À medida que a sociedade se torna mais dependente dos computadores e da IA para quase todos os aspectos da vida quotidiana, a procura de centros de dados está a aumentar, levando muitos especialistas a preocuparem-se com o enorme apetite de energia dos sistemas digitais e com o que as futuras indústrias terão de fazer para acompanhá-lo.
E como a construção destes centros de dados, bem como experiências informáticas em grande escala, podem gerar uma grande pegada de carbono, os cientistas estão à procura de formas de reduzir as emissões de carbono provenientes desta tecnologia.
Para avançar nos seus resultados, o trabalho futuro provavelmente será direcionado para treinar o modelo para explorar outras aplicações, como o processamento quântico de informações, disse Kent.
Entretanto, ele espera que estes novos elementos alcancem grande parte da comunidade científica.
“Poucas pessoas conhecem esses tipos de algoritmos na indústria e na engenharia, e um dos grandes objetivos deste projeto é fazer com que mais pessoas aprendam sobre eles”, disse Kent.
“Este trabalho é um grande primeiro passo para alcançar esse potencial.”
x
Publicado em 21/05/2024 17h11
Artigo original:
Estudo original: