Inteligência artificial resolve problema-chave da matemática

O que você precisa saber

Pesquisadores do Instituto de Tecnologia da Califórnia (Caltech) apresentaram uma nova técnica de deep learning que é mais precisa na solução de equações diferenciais parciais (EDP). O método também é mais abrangente e ágil, podendo solucionar diversas famílias de EDPs 1000 vezes mais rapidamente do que através de fórmulas matemáticas.

Equações diferenciais parciais ou derivadas parciais são úteis para a descrição de mudanças conforme o tempo e espaço, utilizando funções de várias variáveis independentes e dependente de suas derivadas. Portanto, são ótimas para o estudo de eventos físicos em nosso universo. Elas podem ser usadas para o desenvolvimento de aviões, estudo de placas tectônicas e movimento dos planetas.

Equações derivadas parciais possuem diversas utilidades, como, por exemplo, o desenvolvimento de aviões, no estudo do comportamento do vento. Créditos: alextov/iStock

O problema é que as EDPs são extremamente complicadas de se resolver. Exigem cálculos complexos e uso severo de computadores, muitas vezes requisitando supercomputadores para realizar as contas. Esse é um dos motivos pelo qual o campo da inteligência artificial está tão interessado nessas equações.

Se, de alguma maneira, os pesquisadores conseguissem resolver mais rapidamente as equações, grandes avanços seriam possíveis no campo da ciência e engenharia. Segundo o estudo, a nova técnica apresentada pelos pesquisadores da Caltech reduz a necessidade de supercomputadores e aumenta a velocidade do processo, diminuindo custos e tempo de pesquisas.

Primeiro, é necessário entender como as ‘redes neurais artificiais’ de um sistema de inteligência artificial funcionam. A rede neural é o que permite à máquina uma semelhança cognitiva com o cérebro humano a fim de interpretar e interligar dados, utilizando as ‘funções de aproximação’. Essas funções, ou séries de operações matemáticas, são os cálculos que permitem que a rede em treinamento transforme os dados de entrada (inputs) em dados de saída (outputs).