Estudo e desenvolvimento de modelos computacionais inteligentes biologicamente plausíveis

• Processo: 23/01374-3
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de julho de 2023
• Data de Término da vigência: 30 de junho de 2025
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Acordo de Cooperação: CNPq
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Bolsa(s) vinculada(s): 23/10823-6 - Estudo e Desenvolvimento de Modelos Computacionais Inteligentes Biologicamente Plausíveis, BP.JD
• Assunto(s): Aprendizado computacional Reconhecimento de padrões Lógica do plausível
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Reconhecimento de Padrões | Sistemas biologicamente plausíveis | Aprendizado de máquina

Resumo

Descobertas neurológicas relacionadas a diferentes regiões do cérebro sugerem novos esclarecimentos sobre as células piramidais, uma arquitetura neuronal composta de cinco camadas, cuja interação é responsével pelos fluxos de entrada e resposta das informações e integração entre contexto e memória, dentre outras tarefas. Tais descobertas inspiraram o desenvolvimento de modelos computacionais inteligentes mais plausíveis do ponto de vista biológico, os quais geralmente implicam em modelos mais eficientes e precisos. Com relação a esses modelos de aprendizagem de máquina (do inglês Machine Learning - ML), podemos citar abordagens guiadas por contexto, as quais utilizam informação contextual para lidar com ambiguidade, inclusive implementando mecanismos para lidar com informações temporais e simular memória. Outros trabalhos vão além, tratando o problema de atribuição de crédito, isto é, atribuir o ajuste relativo ao seu desempenho à cada conexão em uma rede neural, pelos princípios primários dos neurônios piramidais. Nesse contexto, burst-dependent learning ou Burstpropagation proporciona um paradigma baseado nesses princípios que pode ser implementado em diversos tipos de redes neurais. Sendo assim, esta proposta visa implementar modelos existentes e desenvolver novas arquiteturas de aprendizagem de máquinas mais biologicamente plausíveis, bem como utilizar tais modelos para solução de problemas em diversas áreas de pesquisa, como medicina e engenharia. (AU)