A computação de reservatórios (reservoir computing) já é um dos tipos mais avançados e poderosos de inteligência artificial que os cientistas têm à disposição – e agora um novo estudo descreve como torná-la até um milhão de vezes mais rápida em certas tarefas.
Esse é um desenvolvimento empolgante quando se trata de enfrentar os desafios computacionais mais complexos, desde prever como o tempo vai mudar até modelar o fluxo de fluidos através de um espaço específico.
É para esses problemas que esse tipo de computação com uso intensivo de recursos foi desenvolvido; agora, as últimas inovações o tornarão ainda mais útil. A equipe por trás deste novo estudo está chamando-o de a próxima geração de computação de reservatório.
“Podemos realizar tarefas de processamento de informações muito complexas em uma fração do tempo usando muito menos recursos de computador em comparação com o que a computação de reservatórios pode fazer atualmente”, disse o físico Daniel Gauthier, da Universidade Estadual de Ohio.
“E a computação de reservatórios já era uma melhoria significativa em relação ao que era possível anteriormente.”
A computação de reservatório se baseia na ideia de redes neurais – sistemas de aprendizado de máquina baseados na maneira como os cérebros vivos funcionam – que são treinados para detectar padrões em uma grande quantidade de dados. Mostre a uma rede neural mil fotos de um cachorro, por exemplo, e ela deve ser bastante precisa para reconhecer um cachorro na próxima vez que um aparecer.
Os detalhes do poder extra que a computação de reservatório traz são bastante técnicos. Essencialmente, o processo envia informações para um ‘reservatório’, onde pontos de dados são vinculados de várias maneiras. A informação é então enviada para fora do reservatório, analisada e realimentada para o processo de aprendizagem.
Isso torna todo o processo mais rápido em alguns aspectos e mais adaptável às sequências de aprendizagem. Mas também depende muito do processamento aleatório, o que significa que o que acontece dentro do reservatório não é claro como cristal. Para usar um termo de engenharia, é uma ‘caixa preta’ – geralmente funciona, mas ninguém sabe realmente como ou por quê.
Com a nova pesquisa que acaba de ser publicada, os computadores do reservatório podem ser mais eficientes removendo a randomização. Uma análise matemática foi usada para descobrir quais partes de um computador reservatório são realmente cruciais para que ele funcione e quais não são. Livrar-se desses bits redundantes acelera o tempo de processamento.
Um dos resultados finais é que menos de um período de ‘aquecimento’ é necessário: é onde a rede neural é alimentada com dados de treinamento para prepará-la para a tarefa que deve realizar. A equipe de pesquisa fez melhorias significativas aqui.
“Para nossa computação de reservatório de próxima geração, quase não há tempo de aquecimento necessário”, diz Gauthier.
“Atualmente, os cientistas precisam inserir 1.000 ou 10.000 pontos de dados ou mais para aquecê-lo. E isso são todos os dados que são perdidos, que não são necessários para o trabalho real. Precisamos apenas inserir um, dois ou três pontos de dados . ”
Uma tarefa de previsão particularmente difícil foi concluída em menos de um segundo em um computador desktop padrão usando o novo sistema. Com a tecnologia de computação de reservatório atual, a mesma tarefa leva muito mais tempo, mesmo em um supercomputador.
O novo sistema provou ser entre 33 e 163 vezes mais rápido dependendo dos dados. Quando o objetivo da tarefa foi alterado para priorizar a precisão, o modelo atualizado foi 1 milhão de vezes mais rápido.
Este é apenas o começo para esse tipo supereficiente de rede neural, e os pesquisadores por trás dele esperam confrontá-lo com tarefas mais desafiadoras no futuro.
“O que é empolgante é que esta próxima geração de computação de reservatório pega o que já era muito bom e o torna significativamente mais eficiente”, diz Gauthier.
Publicado em 26/09/2021 00h09
Artigo original:
Estudo original: