Uma arquitetura descentralizada para redes neurais artificiais sem peso

Abstract

É cada vez mais frequente a necessidade de solucionar situações onde um modelo matemático simples é incapaz de modelar o problema. Os avanços tecnológicos na última década, em especial o aumento do poder computacional e volume de dados disponíveis, possibilitaram a popularização do uso de técnicas de aprendizado de máquina e inteligência artificial como alternativa para resolver esse desafio. Entre as técnicas que ganharam destaque estão as Redes Neurais Artificiais, modelo computacional que se baseia vagamente no funcionamento do cérebro humano. Nesse tipo de modelo, o conhecimento é adquirido por meio do ajuste de pesos sinápticos entre os diversos neurônios da rede. Geralmente, esse processo utiliza uma grande quantidade de operações matemáticas como somas e multiplicações. Essa técnica é muito poderosa, mas traz algumas desvantagens importantes: a exigência de grande poder computacional e treinamento lento. Em contraponto, o modelo abordado nesse trabalho, as Redes Neurais Artificiais sem Peso, não precisam ajustar os pesos sinápticos e todo conhecimento fica armazenado em memórias RAM. Dessa maneira, a aprendizagem do modelo consiste em realizar operações de leitura e escrita, tornando o processo menos custoso computacionalmente e mais rápido. Além disso, esse trabalho propõe uma arquitetura descentralizada para implementação de uma Rede Neural Artificial sem Pesos. Na arquitetura apresentada, os componentes do modelo são distribuídos em uma rede de computadores e atuam como servidores que prestam serviços. Assim, é possível expandir as funcionalidades da rede possibilitando a realização de aprendizado federado em paralelo, elevada robustez e paralelização do processamento. Com a arquitetura proposta, o tempo de treinamento caiu em até 27% e com a falha de alguns componentes a acurácia do modelo caiu apenas parcialmente.