Os sistemas que controlam os data centers do Google já usam o aprendizado por reforço para mantê-los nas melhores condições. Foto: Imagem cedida pelo Google/ Via El País

Engenheiros do Google criam sistema de aprendizado de máquina que, em horas, planeja microchips tão bons quanto os humanos criam em meses

Um sistema de inteligência artificial (IA) criado por engenheiros do Google projeta chips tão bons quanto os criados por humanos, mas num tempo mais curto do que eles levam para projetá-los. Este novo método de aprendizado da máquina é baseado em um sistema de recompensas e punições inspirado na psicologia comportamental. O planejamento de microchip foi o último grande reduto que resistiu à automação. O Google já está utilizando isso na criação de seus futuros sistemas de IA.

A revista Nature publicou pesquisa que indica que as máquinas podem fazer o mesmo ou melhor do que os humanos e muito mais rapidamente. O trabalho, liderado pelas engenheiras Azalia Mirhoseini e Anna Goldie, mostra como um método de aprendizado de máquina idealizado por elas projetou chips em menos de seis horas, igualando ou superando os parâmetros mais importantes dos humanos.

— Nossa abordagem pode gerar automaticamente desenhos básicos que são comparáveis ou superiores aos projetos humanos em benefícios, desempenho e área — afirma Goldie. — É totalmente automatizado e converge em poucas horas, enquanto especialistas humanos podem levar meses para entregar resultados.

Contra a ciência: Bolsonaro diz que Ministério da Saúde vai desobrigar uso de máscaras para vacinados e pessoas que já se contaminaram

Nesse caso, criaram um design em menos de seis horas que ultrapassou os criados por humanos em várias semanas. Para conseguir isso, elas usaram um sistema de inteligência artificial chamado aprendizado por reforço, que utiliza elementos da psicologia comportamental.

— Em essência, estamos ensinando uma IA a jogar com peças — diz Mirhoseini. — Em termos um pouco mais técnicos, desenvolvemos um método de aprendizagem por reforço capaz de aprender com as experiências anteriores para que seja melhor e mais rápido na colocação de novos chips.

Alimentado com informações sobre os componentes do chip, as dimensões do template, as restrições que possui ou aspectos a otimizar, como comprimento do cabo, congestionamento de roteamento ou consumo de energia, o sistema tenta diferentes combinações, sendo reforçado com cada uma delas.

José Miguel Hernández Lobato é professor de aprendizado de máquina na Universidade de Cambridge. Atualmente, ele está usando o aprendizado por reforço para gerar moléculas 3D que podem ser usadas em novos medicamentos ou antivirais.

— Como em um videogame, ninguém fala o que você tem que fazer em um determinado momento, você só recebe o placar no final do jogo — compara Lobato.

O que esse sistema de IA faz é encontrar a sequência de ações com a pontuação mais alta, que é onde colocar o próximo elemento no chip.

— Os engenheiros fazem isso manualmente, mas se acreditam que a solução não é a ideal, para melhorar o chip eles precisam de mais duas ou três semanas — destaca o professor da Universidade de Cambridge.

A tarefa não é fácil. Em um chip existem milhões de componentes, como portas lógicas ou blocos de memória. Os segundos são várias ordens de magnitude maiores (todos sempre na escala nano), o que complica a implantação. Além disso, existem restrições básicas, tais como as conexões entre os diferentes componentes que não podem ser cruzadas. José L. Ayala é professor da Faculdade de Ciências da Computação da Universidade Complutense de Madrid (UCM).

— Quando eu estava estudando, o planejamento era uma arte e quem o fazia eram metade engenheiros, metade artistas — lembra Ayala.

Hoje o planejamento de chips seria impossível sem o auxílio de sistemas de projeto assistido com suporte de algoritmo. Mas são os humanos que os operam e aqueles que têm a última palavra. — Além disso, esses algoritmos não aprendem — acrescenta Ayala. O sistema criado pelo Google aprende e melhora a cada repetição.

Para a professora de tecnologia eletrônica da Universidade Politécnica de Madri Marisa López Vallejo, o método permite algo melhor e infinitamente mais rápido:

— Os humanos, quando já têm um plano básico que lhes parece bom, não mudam mais, pois ficaria muito caro. Com este sistema, você pode desfazê-lo e gerar novamente. Isso é muito valioso.

Os autores também afirmam que suas pesquisas podem ter aplicações, além do design de chips, como planejamento urbano, engenharia ambiental ou a própria distribuição de vacinas. Em geral, pode ser usado na tomada de decisões quando se depara com problemas com um grande número de opções e um pequeno número de recompensas.

Mas os especialistas consultados também veem muita propaganda nesta investigação.

— Uma coisa é testá-lo em uma caixa quadrada e outra bem diferente é colocá-lo em uma família de processadores como o da Intel — avalia Ayala.

Os computadores domésticos possuem unidades de processamento de uso geral — eles não se destacam, mas são bastante bons em fazer muitas coisas.

— Os processadores do Google nos quais eles pretendem aplicar esse método são altamente otimizados para aprendizado de máquina, por isso são muito homogêneos em sua arquitetura — afirma Ayala.

De sua parte, Boemo ainda não vê com clareza o que o Google está fazendo ao entrar no campo do design de chips:

— Um milímetro de circuito vale uma fortuna, mas as poucas empresas que fazem circuitos integrados não vão dizer como são e duvido que o Google tenha matéria-prima para fazer isso.

 No entanto, o gigante dos mecanismos de busca anuncia que os futuros chips para suas ferramentas de inteligência artificial serão projetados precisamente por essa inteligência artificial. (Do El País)

Comentários do Facebook