Estudo e Desenvolvimento de Modelos Computacionais Inteligentes Biologicamente Plausíveis

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.