Uma ideia da física está ajudando a inteligência artificial a ver em mais dimensões

0

Pesquisadores desenvolveram uma nova estrutura teórica para a construção de redes neurais que podem aprender padrões em qualquer tipo de superfície geométrica.



As novas redes neurais convolucionais podem detectar padrões não apenas em matrizes 2D, mas também em esferas e objetos curvados assimetricamente.

“Essa estrutura é uma resposta bastante definitiva para o problema de aprendizado profundo em superfícies curvas”, disse um dos autores do estudo, Max Welling, à Quanta Magazine. Welling trabalhou ao lado de Taco Cohen, Maurice Weiler e Berkay Kicanaoglu.

Que problema é esse?

Redes neurais convolucionais – cujo design é inspirado nas camadas de neurônios do córtex visual, uma parte complexa do cérebro – são tecnologias utilizadas pela inteligência artificial (IA) para fazer de tudo, como escrever prosa ou vencer qualquer ser humano em jogos como xadrez e Go.

  • Nova tecnologia permite que robôs aprendam com a experiência

Essa tecnologia é muito bem adaptada a padrões de aprendizado em dados bidimensionais, especialmente tarefas de visão computacional, como reconhecer palavras e objetos em imagens digitais.

Infelizmente, no entanto, não funciona tão bem quando é aplicada a dados menos “planos”, como formas irregulares usadas em animação 3D ou pontos gerados por carros autônomos para mapear seus arredores.

Para “aumentar” as dimensões da IA, então, pesquisadores passaram a se dedicar a uma nova disciplina chamada de “aprendizado profundo geométrico” a partir de 2016.

A equivariância de medida

A nova pesquisa buscou a solução para o aprendizado profundo geométrico na física.  

 

Deixe uma resposta

Deixe seu comentário!
Please enter your name here