Uma equipe multidisciplinar de cientistas de computação e neurobiólogos desenvolveu uma nova arquitetura de aprendizado de máquina inspirada na fiação sináptica do sistema olfativo da mosca da fruta (Drosophila melanogaster). O algoritmo demonstrou capacidade inédita de absorver novos padrões de dados continuamente sem sofrer o chamado 'esquecimento catastrófico', um dos maiores gargalos teóricos das redes neurais profundas modernas. O fenômeno do esquecimento catastrófico ocorre quando redes neurais artificiais ajustam seus parâmetros para aprender uma nova tarefa e, no processo, sobrescrevem inadvertidamente conexões que permitiam desempenhar tarefas aprendidas anteriormente.
O sistema simula a dinâmica de processamento do corpo em cogumelo (mushroom body) do cérebro do inseto, utilizando codificação esparsa de altíssima dimensionalidade. Quando uma nova informação sensorial é apresentada, apenas um conjunto minúsculo de neurônios altamente especializados é ativado para registrar a memória, preservando intactas as conexões prévias dedicadas a conceitos e tarefas aprendidas anteriormente. O sistema olfativo da mosca da fruta resolve esse problema através de uma camada neural de projeção esparsa, na qual uma quantidade minúscula de neurônios de alta seletividade é ativada para representar cada odor específico sem interferir nas demais memórias.
Historicamente, os modelos convencionais de inteligência artificial baseados em retropropagação (backpropagation) sofrem perda acentuada de conhecimentos antigos quando reajustam seus pesos sinápticos durante novos treinamentos, forçando desenvolvedores a retreinarem modelos completos do zero com custos astronômicos de eletricidade e computação. Ao transporem essa arquitetura biológica para códigos computacionais, os pesquisadores conseguiram treinar modelos de aprendizado de máquina que continuam absorvendo novos padrões sem perder a precisão em dados históricos de treinamento.
Para a indústria de robótica industrial, veículos autônomos e dispositivos inteligentes conectados na borda (edge computing), a abordagem bioinspirada abre portas para máquinas que aprendem com a experiência prática em tempo real sem demandar conexão contínua com supercomputadores na nuvem. A eficiência energética do algoritmo é centenas de vezes superior à de transformadores tradicionais. A aplicação dessa tecnologia em robótica e dispositivos de borda pode viabilizar carros autônomos e drones que se adaptam continuamente às condições meteorológicas e de trânsito em tempo real sem demandar conexão com nuvens centrais de supercomputação.
Os códigos-fonte da pesquisa e a implementação matemática do modelo foram disponibilizados sob licença de acesso aberto no repositório de pesquisas acadêmicas. Os cientistas trabalham agora na adaptação do algoritmo para chips neuromórficos de silício que operam com micropulso elétrico. A equipe planeja agora testar a arquitetura inspirada nos insetos em tarefas complexas de visão computacional e processamento de linguagem natural, buscando reduzir em ordens de magnitude o consumo energético de grandes modelos de IA.
