O aprendizado de máquina que lançou as bases da Inteligência Artificial, a descoberta dos vencedores do Nobel de Física.

O americano John Hopfield e o britânico Geoffrey Hinton foram distinguidos por seus avanços nas redes neurais artificiais, uma estrutura computacional inspirada no funcionamento do cérebro.

A Real Academia Sueca de Ciências concedeu o Prêmio Nobel de Física 2024 ao americano John Hopfield e ao britânico Geoffrey Hinton por suas contribuições fundamentais ao desenvolvimento do aprendizado de máquina, considerado uma ferramenta chave para a Inteligência Artificial (IA) como a conhecemos hoje.

Hopfield nasceu em 1933 em Chicago e realiza sua pesquisa na Universidade de Princeton, Estados Unidos. Hinton nasceu em 1947 em Londres e é pesquisador na Universidade de Toronto, Canadá.

Ao apresentar os laureados, o comitê do Nobel destacou que “embora os computadores não possam pensar, as máquinas agora podem imitar funções como a memória e o aprendizado. Os premiados deste ano em Física contribuíram para tornar isso possível”.

Utilizando princípios da física, ambos os cientistas realizaram avanços chave que lançaram as bases para as redes neurais artificiais, uma estrutura computacional inspirada no funcionamento do cérebro. Essa descoberta não apenas mudou a forma como as máquinas processam e armazenam informações, mas também foi crucial para o desenvolvimento da inteligência artificial moderna, especialmente no aprendizado profundo.

Entendendo o cérebro para criar redes neurais artificiais:

O trabalho de Hopfield, da Universidade de Princeton, e de Hinton, da Universidade de Toronto, está profundamente relacionado aos conceitos de física e biologia. Embora hoje associemos o aprendizado de máquina a computadores e algoritmos, os primeiros passos para a criação de redes neurais artificiais nasceram do desejo de entender como o cérebro humano funciona e como ele processa a informação. Hopfield, um físico teórico, desempenhou um papel decisivo ao aplicar conceitos da física à neurociência para explicar como o cérebro pode armazenar e recuperar informações.

Em 1982, ele desenvolveu a rede de Hopfield, um modelo de rede neural artificial capaz de armazenar padrões de informação e recuperá-los posteriormente, mesmo quando esses padrões estão incompletos ou alterados. Esse conceito, conhecido como memória associativa, imita a capacidade humana de recordar algo, por exemplo, uma palavra que está na ponta da língua, processando outras palavras próximas em significado até encontrar a correta.

Hopfield aplicou conhecimentos de física, como os princípios que regem os sistemas de espín atômico, para criar sua rede. Na física, o espín é uma propriedade das partículas subatômicas que gera um campo magnético. Inspirado por esse comportamento, Hopfield projetou um sistema em que as neurônios, ou nós, se conectavam entre si com intensidades variáveis, de forma similar a como os átomos de um material magnético influenciam as direções dos seus espins vizinhos.

Essa abordagem permitiu à rede associar e reconstruir padrões de maneira eficiente, uma ideia revolucionária que marcou o início de uma nova era na computação neural.

A Rede de Hopfield e a memória associativa:

A rede de Hopfield representa um avanço significativo porque se baseia em um sistema capaz de armazenar múltiplos padrões simultaneamente. Quando um padrão incompleto é apresentado, a rede pode encontrar o mais próximo entre os padrões que ela já memorizou e reconstruí-lo. Esse processo assemelha-se a rolar uma bola por uma paisagem de picos e vales: se a bola for deixada perto de um vale (padrão), ela rolará até o fundo, onde encontrará o padrão mais próximo.

Em termos técnicos, a rede é programada com uma imagem em preto e branco, atribuindo valores binários a cada nó (0 para preto, 1 para branco). Em seguida, utiliza-se uma fórmula de energia para ajustar as conexões entre os nós, permitindo que a rede reduza a energia total do sistema e, eventualmente, atinja um estado estável, no qual o padrão original foi recriado. Essa abordagem não apenas foi inovadora, mas também se mostrou escalável: a rede poderia armazenar e diferenciar múltiplas imagens, abrindo caminho para uma forma de armazenamento distribuído de informações que mais tarde inspiraria os avanços em inteligência artificial.

Hinton e a máquina de Boltzmann:

Enquanto Hopfield desenvolvia sua rede, Geoffrey Hinton explorava como as máquinas poderiam aprender a processar padrões de maneira semelhante aos humanos, encontrando suas próprias categorias sem a necessidade de instruções explícitas.

Hinton foi pioneiro na máquina de Boltzmann, um tipo de rede neural que utiliza princípios da física estatística para descobrir estruturas em grandes quantidades de dados.

A física estatística estuda sistemas compostos por muitos elementos semelhantes, como as moléculas de um gás, cujos estados individuais são imprevisíveis, mas que coletivamente podem ser analisados para determinar propriedades como pressão e temperatura. Hinton aproveitou esses conceitos para projetar uma máquina capaz de analisar a probabilidade de um conjunto específico de conexões em uma rede ocorrer, com base na energia da rede como um todo. Inspirado pela equação de Ludwig Boltzmann, Hinton usou essa fórmula para calcular a probabilidade de diferentes configurações dentro da rede.

A máquina de Boltzmann possui dois tipos de nós: visíveis e ocultos. Os primeiros recebem as informações iniciais, enquanto os nós ocultos geram padrões a partir dessa informação, ajustando as conexões da rede para que os exemplos treinados tenham a maior probabilidade possível de ocorrer. Dessa forma, a máquina aprende com exemplos, não com instruções, e pode reconhecer padrões mesmo quando a informação é nova, mas semelhante aos exemplos previamente vistos.

As bases do aprendizado profundo da Inteligência Artificial:

O trabalho de Hopfield e Hinton não apenas revitalizou o interesse por redes neurais, mas também abriu a porta para o desenvolvimento do aprendizado profundo, uma ramificação da IA que hoje impulsiona grande parte das inovações tecnológicas, desde assistentes virtuais até veículos autônomos.

As redes neurais profundas, que são modelos com muitas camadas de neurônios, devem sua existência a esses avanços iniciais nas redes neurais artificiais.

Atualmente, as redes neurais são ferramentas fundamentais para analisar grandes quantidades de dados, identificar padrões complexos em imagens e sons, e melhorar a tomada de decisões em setores que vão da medicina à astrofísica.

Por exemplo, na física de partículas, as redes neurais artificiais foram fundamentais para a descoberta da partícula de Higgs, um feito que foi premiado com o Prêmio Nobel de Física em 2013. Da mesma forma, o aprendizado de máquina tem permitido melhorar a detecção de ondas gravitacionais, outro marco científico recente.

Graças às descobertas de Hopfield e Hinton, a IA continua a evoluir em um ritmo acelerado. No campo da biologia molecular, por exemplo, as redes neurais são usadas para prever a estrutura de proteínas, o que tem implicações diretas no desenvolvimento de medicamentos. Além disso, no setor de energia renovável, as redes estão sendo usadas para projetar materiais com melhores propriedades para células solares mais eficientes.