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

EUR -
AED 3.865039
AFN 71.961868
ALL 97.885367
AMD 409.705534
ANG 1.898038
AOA 960.733931
ARS 1055.061215
AUD 1.613881
AWG 1.894109
AZN 1.787029
BAM 1.951539
BBD 2.126437
BDT 125.855234
BGN 1.956342
BHD 0.396578
BIF 3110.579445
BMD 1.052283
BND 1.414399
BOB 7.293078
BRL 6.086683
BSD 1.053191
BTN 88.848028
BWP 14.387453
BYN 3.446543
BYR 20624.740218
BZD 2.122845
CAD 1.469502
CDF 3014.78969
CHF 0.929776
CLF 0.037101
CLP 1023.776253
CNY 7.619996
CNH 7.625593
COP 4626.455438
CRC 534.824751
CUC 1.052283
CUP 27.885491
CVE 110.024795
CZK 25.350861
DJF 187.538784
DKK 7.458788
DOP 63.520417
DZD 140.573397
EGP 52.274979
ERN 15.78424
ETB 131.306162
FJD 2.388363
FKP 0.830585
GBP 0.832524
GEL 2.883571
GGP 0.830585
GHS 16.7185
GIP 0.830585
GMD 74.71233
GNF 9078.051459
GTQ 8.13025
GYD 220.338958
HKD 8.189863
HNL 26.613518
HRK 7.506205
HTG 138.346648
HUF 411.186809
IDR 16734.714279
ILS 3.929639
IMP 0.830585
INR 88.911049
IQD 1379.588093
IRR 44293.214291
ISK 145.520299
JEP 0.830585
JMD 166.933965
JOD 0.746386
JPY 162.676061
KES 136.007134
KGS 91.02957
KHR 4249.68174
KMF 491.94202
KPW 947.053999
KRW 1471.222726
KWD 0.323672
KYD 0.877684
KZT 523.167824
LAK 23125.51255
LBP 94319.785398
LKR 306.411046
LRD 190.622024
LSL 19.101997
LTL 3.107117
LVL 0.636515
LYD 5.138732
MAD 10.521031
MDL 19.167154
MGA 4930.189594
MKD 61.546561
MMK 3417.773046
MNT 3575.656436
MOP 8.443666
MRU 41.866002
MUR 48.839087
MVR 16.268296
MWK 1826.195708
MXN 21.380416
MYR 4.698412
MZN 67.293799
NAD 19.101997
NGN 1768.455747
NIO 38.755022
NOK 11.613586
NPR 142.154623
NZD 1.792324
OMR 0.40513
PAB 1.053101
PEN 3.996674
PGK 4.239684
PHP 62.126243
PKR 292.773138
PLN 4.342422
PYG 8247.914831
QAR 3.840515
RON 4.977085
RSD 117.020141
RUB 106.281009
RWF 1452.315514
SAR 3.95054
SBD 8.79238
SCR 14.332083
SDG 632.944958
SEK 11.610939
SGD 1.413951
SHP 0.830585
SLE 23.75528
SLL 22065.84631
SOS 601.88026
SRD 37.282669
STD 21780.126598
SVC 9.214882
SYP 2643.891613
SZL 19.091139
THB 36.458458
TJS 11.216013
TMT 3.682989
TND 3.324243
TOP 2.464553
TRY 36.27081
TTD 7.130433
TWD 34.270209
TZS 2791.031424
UAH 43.426878
UGX 3886.514989
USD 1.052283
UYU 45.021709
UZS 13526.469111
VES 48.861031
VND 26751.65603
VUV 124.929112
WST 2.937543
XAF 654.521833
XAG 0.033884
XAU 0.000395
XCD 2.843846
XDR 0.801343
XOF 654.521833
XPF 119.331742
YER 262.991742
ZAR 19.064031
ZMK 9471.810193
ZMW 29.146091
ZWL 338.834589
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