Dubai Telegraph - Nobel de Física premia avanços em redes neurológicas artificiais e modelos linguísticos

EUR -
AED 4.010259
AFN 73.151181
ALL 98.05088
AMD 422.792545
ANG 1.968205
AOA 996.278002
ARS 1083.880218
AUD 1.646153
AWG 1.957071
AZN 1.861135
BAM 1.959606
BBD 2.204963
BDT 130.503486
BGN 1.954505
BHD 0.411432
BIF 3163.521502
BMD 1.091811
BND 1.437479
BOB 7.546589
BRL 6.26524
BSD 1.092111
BTN 91.855576
BWP 14.522074
BYN 3.573909
BYR 21399.489713
BZD 2.201255
CAD 1.511257
CDF 3105.109477
CHF 0.942566
CLF 0.03785
CLP 1044.404335
CNY 7.744758
CNH 7.772922
COP 4821.981955
CRC 558.379465
CUC 1.091811
CUP 28.932984
CVE 110.599207
CZK 25.320151
DJF 194.036486
DKK 7.458077
DOP 66.027256
DZD 145.250579
EGP 53.661079
ERN 16.37716
ETB 132.05456
FJD 2.445929
FKP 0.83542
GBP 0.838145
GEL 2.964269
GGP 0.83542
GHS 17.90391
GIP 0.83542
GMD 78.071536
GNF 9422.326674
GTQ 8.428371
GYD 228.471684
HKD 8.485695
HNL 27.382601
HRK 7.521517
HTG 143.707817
HUF 408.626497
IDR 17160.534672
ILS 4.0906
IMP 0.83542
INR 91.837493
IQD 1430.272017
IRR 45957.04169
ISK 148.890536
JEP 0.83542
JMD 172.66538
JOD 0.774203
JPY 165.472607
KES 140.84297
KGS 94.083947
KHR 4449.128775
KMF 491.915592
KPW 982.629383
KRW 1505.500138
KWD 0.334368
KYD 0.910059
KZT 535.445128
LAK 23953.235074
LBP 97771.648777
LKR 320.028683
LRD 208.508573
LSL 18.975604
LTL 3.223833
LVL 0.660426
LYD 5.278886
MAD 10.688733
MDL 19.504707
MGA 5038.706659
MKD 61.511236
MMK 3546.158563
MNT 3709.972788
MOP 8.741299
MRU 43.569895
MUR 50.255732
MVR 16.824621
MWK 1894.835179
MXN 22.026733
MYR 4.737367
MZN 69.739456
NAD 18.96466
NGN 1814.283977
NIO 40.162193
NOK 11.966465
NPR 146.969122
NZD 1.81608
OMR 0.420386
PAB 1.092011
PEN 4.119943
PGK 4.378708
PHP 63.740459
PKR 303.411903
PLN 4.355603
PYG 8539.587032
QAR 3.974737
RON 4.974724
RSD 117.003876
RUB 106.775692
RWF 1490.321605
SAR 4.101523
SBD 9.061294
SCR 15.04077
SDG 656.726889
SEK 11.695094
SGD 1.435529
SHP 0.83542
SLE 24.838655
SLL 22894.720974
SOS 623.423828
SRD 38.109686
STD 22598.277126
SVC 9.55556
SYP 2743.20743
SZL 18.96484
THB 36.651542
TJS 11.630484
TMT 3.821337
TND 3.372063
TOP 2.557134
TRY 37.444195
TTD 7.40732
TWD 34.759433
TZS 2940.653434
UAH 45.293677
UGX 4009.751693
USD 1.091811
UYU 45.438258
UZS 13969.717586
VEF 3955141.617124
VES 47.387499
VND 27671.942183
VUV 129.621992
WST 3.058363
XAF 657.227559
XAG 0.032367
XAU 0.000401
XCD 2.950673
XDR 0.818182
XOF 657.816981
XPF 119.331742
YER 272.761598
ZAR 19.019119
ZMK 9827.6055
ZMW 29.457948
ZWL 351.5626
Nobel de Física premia avanços em redes neurológicas artificiais e modelos linguísticos
Nobel de Física premia avanços em redes neurológicas artificiais e modelos linguísticos / foto: Valentin RAKOVSKY, Sabrina BLANCHARD - AFP

Nobel de Física premia avanços em redes neurológicas artificiais e modelos linguísticos

Reconhecimento facial, tradução automática e detecção de tumores são alguns dos avanços possibilitados pelas redes artificiais de aprendizagem, pelas quais John Hopfield e Geoffrey Hinton receberam o Prêmio Nobel de Física de 2024 nesta terça-feira (8).

Tamanho do texto:

Graças ao seu trabalho pioneiro, os computadores não se limitam a seguir uma série de instruções, mas sim a "aprender através de exemplos".

- A memória associativa de Hopfield -

O princípio da "aprendizagem automática" é inspirado no funcionamento do cérebro humano e, mais especificamente, nas redes neuronais.

Nos humanos, o aprendizado reforça as conexões entre determinados grupos de neurônios e enfraquece outras, desenhando uma espécie de mapa de conexões para uma determinada imagem. Em 1982, o físico John Hopfield transferiu esta operação para uma rede artificial que leva o seu nome.

Nesta rede, o sistema funciona "com um comportamento que busca naturalmente o mínimo de energia", explica à AFP Damien Querlioz, pesquisador francês especializado em sistemas de processamento de informação do Centro de Nanociências e Nanotecnologias.

Hopfield comparou o armazenamento de um padrão na memória da rede com o percurso mais eficiente de uma bola rolando por uma paisagem de picos e vales. Quando a rede processa um padrão próximo ao salvo, a bola segue um caminho de gasto de energia semelhante, levando-a ao mesmo ponto.

"Com técnicas da física estatística, ele demonstrou como um algoritmo simples poderia armazenar certos padrões na memória, que poderiam então ser recuperados", explica Francis Bach, diretor do laboratório de aprendizagem estatística SIERRA na Ecole Normale Supérieure em Paris.

- A aprendizagem profunda de Hinton -

Geoffrey Hinton construiu seu trabalho sobre as bases estabelecidas por Hopfield. "Ele mostrou que é possível aprender de forma eficaz com redes neuronais de múltiplas camadas", explica Bach. Em outras palavras: "Quanto mais camadas houver, mais complexo pode ser o comportamento, e quanto mais complexo o comportamento, mais fácil será aprender de forma eficaz".

Desde a década de 1980, Hinton não parou de "propor novos algoritmos de aprendizagem para comportamentos cada vez mais complexos", acrescenta.

No final daquela década, os pesquisadores começaram a trabalhar "no reconhecimento de caracteres, que é mais simples do que imagens naturais", diz Bach.

- Dados e poder de cálculo -

Posteriormente, a disciplina sofreu um certo declínio até a década de 2010. Para que suas descobertas funcionassem, era necessário maior poder de cálculo e, sobretudo, enormes quantidades de dados, ingredientes essenciais para as redes neuronais, explica Querlioz.

As máquinas só podem aprender bem se receberem suficientes "exemplos da inteligência que você deseja que elas reproduzam".

O comitê do Nobel recorda que, em seu artigo publicado em 1982, Hopfield utilizou uma rede muito simples com "menos de 500 parâmetros para monitorar", enquanto os gigantescos modelos de linguagem atuais contêm "um quadrilhão".

- Para que serve? -

A grande onda de aprendizagem profunda da década de 2010 "revolucionou tudo relacionado ao processamento de imagens e ao processamento de linguagem natural", observa Francis Bach.

Querlioz cita exemplos como "assistentes de voz, reconhecimento facial" ou programas de criação de imagens como o DALL-E.

Mas estes avanços vão muito além daquilo que o público em geral percebe. "O que permite que o software do telefone diferencie os rostos de seus filhos também permite reconhecer um tumor", diz Bach.

Também facilita a análise e classificação de enormes quantidades de dados recolhidos em institutos de pesquisa de física elementar ou o processamento de imagens e espectros capturados na observação de estrelas.

G.Mukherjee--DT