Como a espuma cotidiana revela a lógica secreta da inteligência artificial

Novas pesquisas desafiam agora essa visão de longa data. Engenheiros da Universidade da Pensilvânia descobriram que, embora as espumas mantenham a sua forma geral, o seu interior está em constante movimento. Ainda mais inesperadamente, a matemática que descreve este movimento assemelha-se muito à aprendizagem profunda, a técnica utilizada para treinar sistemas modernos de inteligência artificial.

Esta descoberta sugere que a aprendizagem, num sentido matemático amplo, pode ser um princípio organizador partilhado entre sistemas físicos, biológicos e computacionais. O trabalho também poderá orientar esforços futuros para criar materiais que se adaptem e respondam ao ambiente. Pode até ajudar os cientistas a compreender melhor as estruturas vivas que devem reorganizar-se continuamente, como a estrutura interna das células.

Bolhas que nunca resolvem

Num estudo publicado em Anais da Academia Nacional de Ciênciasos pesquisadores usaram simulações de computador para acompanhar o movimento das bolhas dentro de uma espuma úmida. Em vez de eventualmente ficarem estacionárias, as bolhas continuaram vagando por muitos arranjos possíveis.

Do ponto de vista matemático, esse comportamento se assemelha muito ao funcionamento do aprendizado profundo. Durante o treinamento, um sistema de IA ajusta repetidamente seus parâmetros – as informações que definem o que uma IA “sabe” – em vez de ficar preso a um único estado final.

“As espumas se reorganizam constantemente”, diz John C. Crocker, professor de Engenharia Química e Biomolecular (CBE) e co-autor sênior do artigo. “É surpreendente que as espumas e os sistemas modernos de IA pareçam seguir os mesmos princípios matemáticos. Compreender por que isso acontece ainda é uma questão em aberto, mas pode remodelar a forma como pensamos sobre materiais adaptativos e até mesmo sobre sistemas vivos.”

Por que as espumas desafiaram a física tradicional

As espumas muitas vezes se comportam como sólidos na escala humana. Eles geralmente mantêm sua forma e podem voltar após serem espremidos. Em escalas muito menores, entretanto, as espumas são consideradas materiais “bifásicos”, feitos de bolhas suspensas em um fundo líquido ou sólido.

Como as espumas são fáceis de fabricar e observar, embora ainda apresentem um comportamento mecânico complexo, os cientistas as utilizam há muito tempo como sistemas modelo para estudar outros materiais densos e dinâmicos, incluindo células vivas.

As teorias tradicionais tratavam as bolhas de espuma como pedras rolando por uma paisagem energética. Nesta visão, as bolhas descem para posições que requerem menos energia para serem mantidas e depois permanecem lá. Esta ideia ajudou a explicar porque é que as espumas parecem estáveis ​​depois de formadas, tal como uma rocha no fundo de um vale.

Uma incompatibilidade entre teoria e realidade

Quando os pesquisadores examinaram dados reais de espuma, descobriram que o comportamento não se alinhava com essas previsões. Segundo Crocker, os sinais desta incompatibilidade apareceram há quase duas décadas, mas não existiam ferramentas matemáticas adequadas para explicar completamente o que estava a acontecer.

“Quando analisamos os dados, o comportamento das espumas não correspondia ao que a teoria previa”, diz Crocker. “Começamos a ver essas discrepâncias há quase 20 anos, mas ainda não tínhamos as ferramentas matemáticas para descrever o que realmente estava acontecendo”.

Resolver esse quebra-cabeça exigia uma nova abordagem, que pudesse descrever sistemas que continuam mudando sem nunca se estabelecerem em um arranjo único e fixo.

Lições da Inteligência Artificial

Os sistemas modernos de IA aprendem ajustando continuamente os parâmetros numéricos durante o treinamento. As primeiras abordagens tentaram levar esses sistemas a uma única solução ideal que combinasse perfeitamente com seus dados de treinamento.

O aprendizado profundo depende de métodos de otimização relacionados a uma técnica matemática chamada gradiente descendente. Esses métodos orientam repetidamente um sistema em direção a configurações que reduzem erros, passo a passo, de forma semelhante à descida em uma paisagem.

Com o tempo, os pesquisadores perceberam que levar os modelos muito longe nas soluções mais profundas possíveis causava problemas. Os sistemas que ajustavam seus dados de treinamento com muita precisão tornaram-se frágeis e tiveram um desempenho insatisfatório com novas informações.

“O principal insight foi perceber que não se quer realmente empurrar o sistema para o vale mais profundo possível”, diz Robert Riggleman, professor em CBE e co-autor sênior do artigo. “Mantê-lo em partes mais planas da paisagem, onde muitas soluções funcionam igualmente bem, acaba sendo o que permite a generalização desses modelos.”

Espuma e IA seguem as mesmas regras

Quando a equipe da Penn reexaminou seus dados de espuma usando essa perspectiva, a semelhança ficou clara. As bolhas de espuma não se acomodam em posições profundas e estáveis. Em vez disso, continuam a mover-se dentro de vastas regiões onde muitas configurações são igualmente viáveis.

Este movimento contínuo é muito semelhante ao modo como os sistemas modernos de IA operam durante a aprendizagem. A mesma matemática que ajuda a explicar por que o aprendizado profundo funciona também captura o que as espumas têm feito o tempo todo.

Implicações para materiais e sistemas vivos

As descobertas levantam novas questões em um campo que muitos acreditavam já ser bem compreendido. Só isso pode ser uma das contribuições mais importantes do estudo.

Ao mostrar que as bolhas de espuma não são congeladas em estados semelhantes aos do vidro, mas sim se movem de maneira semelhante aos algoritmos de aprendizagem, a pesquisa incentiva os cientistas a repensar como outros sistemas complexos se comportam.

A equipe de Crocker está agora revisitando o sistema que primeiro despertou seu interesse pelas espumas: o citoesqueleto, a estrutura microscópica dentro das células que sustenta a vida. Tal como a espuma, o citoesqueleto deve reorganizar-se continuamente, preservando a sua estrutura global.

“Por que a matemática do aprendizado profundo caracteriza com precisão as espumas é uma questão fascinante”, diz Crocker. “Isso sugere que essas ferramentas podem ser úteis muito fora do seu contexto original, abrindo a porta para linhas de investigação inteiramente novas.”

Esta pesquisa foi conduzida na Escola de Engenharia e Ciências Aplicadas da Universidade da Pensilvânia e apoiada pela Divisão de Pesquisa de Materiais da National Science Foundation (1609525, 1720530).

Coautores adicionais incluem Amruthesh Thirumalaiswamy e Clary Rodríguez-Cruz.