A investigação sobre a tomada de decisões colectiva em sistemas biológicos e artificiais aborda desafios importantes na compreensão de como os grupos chegam a consenso através de interacções simples. Tais processos sustentam o comportamento em rebanhos de animais, grupos de pessoas e até mesmo em robôs. Avanços recentes na neurociência exploraram como a dinâmica neural, as oscilações e os mecanismos de bloqueio de fase facilitam essas decisões em sistemas biológicos. Contudo, a aplicação destas dinâmicas a sistemas multiagentes ainda precisa ser explorada. Colmatar esta lacuna pode melhorar os modelos de tomada de decisão em grupo, permitindo agentes mais flexíveis e inteligentes na comunidade para operações de navegação, busca e salvamento.
Uma questão fundamental neste campo é o equilíbrio entre variáveis internas, resposta ambiental e influências sociais. Os agentes devem adaptar o seu comportamento em resposta a estímulos externos enquanto se coordenam com os pares para chegar a uma decisão partilhada. Por exemplo, os agentes que decidem entre dois locais de recursos devem integrar informações sensoriais e interações sociais para alcançar a convergência. A dependência excessiva de condições internas ou de sinais externos pode prejudicar a sua capacidade de tomar decisões eficazes. Esta interação é especialmente importante em ambientes dinâmicos com motivações conflitantes.
Os modelos tradicionais, tais como variáveis teóricas ou regras baseadas em heurísticas, fornecem informações sobre a construção de consenso. Esses métodos geralmente dependem de muitas regras simples ou algoritmos predefinidos para alinhamento. Embora úteis, estes modelos muitas vezes ignoram os complexos mecanismos neurais e sensoriais subjacentes à tomada de decisões dos sistemas biológicos. Por exemplo, modelos como os osciladores Kuramoto descrevem a sincronização, mas não têm ligação direta com o comportamento agregado. Existem poucos métodos que abordam a dinâmica neural que impulsiona as interações entre agentes em situações do mundo real.
Pesquisadores da Université Libre de Bruxelles, Université de Montréal, Universiteit Gent e Mila-Quebec AI Institute apresentaram um modelo multiagente que incorpora dinâmicas neurais biologicamente plausíveis, projetadas para imitar a resposta neural e as oscilações cerebrais observadas na natureza. O sistema utilizou modelos oscilatórios governados por equações de Haken-Kelso-Bunz para simular circuitos neurais metaestáveis, permitindo que os agentes se adaptassem dinamicamente às condições ambientais e sociais. Os agentes exibem osciladores sensoriais e motores que interagem dentro de um circuito fechado, permitindo-lhes navegar pelos gradientes de estimulação e coordenar movimentos com os pares.
A estrutura do sistema proposto incluía quatro osciladores: dois nós sensoriais para estereovisão e dois nós motores para diferentes direções de condução. A entrada sensorial é integrada a um controlador neural, permitindo que os agentes detectem gradientes de estímulo e ajustem sua direção de acordo. Interação social modelada como aprimoramento motivacional da interação entre agentes, onde os agentes influenciam uns aos outros com base na proximidade. A dinâmica neural foi ajustada ajustando parâmetros de integração, sensibilidade sensorial e influência social, criando um equilíbrio entre a resposta natural e o alinhamento do grupo.
O desempenho foi testado em todas as 50 simulações com vários parâmetros. Os agentes alcançaram alto desempenho quando a consistência interna ficou entre 0,8 e 1,5, com sensibilidade sensorial fixada em cinco e influência social em 1. Os agentes apresentaram alta metaestabilidade nesses valores, permitindo um comportamento flexível, porém compacto. Em situações binárias de tomada de decisão, os agentes tiveram sucesso na seleção de uma das duas fontes de estímulo, e o desempenho melhorou à medida que a diferença qualitativa entre os estímulos aumentou. Quando a influência social é dominada ou a dinâmica interna se torna demasiado rígida, o desempenho diminui, indicando a necessidade de uma abordagem equilibrada.
Os resultados revelaram algumas conclusões importantes do estudo:
- Combinação Correta: Os agentes tiveram melhor desempenho com consistência interna moderada (0,8 a 1,5), medindo flexibilidade e alinhamento.
- Sensibilidade Ambiental: A entrada sensorial tem um impacto significativo na dinâmica neural, com entrada alta provocando rápidas mudanças de estado, mas exigindo moderação para evitar instabilidade.
- Influência Social: A comunicação eficaz exigia valores de influência social próximos de 1, além dos quais os agentes confiavam mais nos pares e não conseguiam interagir dinamicamente com o ambiente.
- Desafios de compatibilidade: A variação na posição inicial do agente e nas classificações da qualidade da fonte de estímulo afetou a associação, destacando interações entre variáveis individuais e grupais.
- Metaestabilidade: Os agentes que operam no sistema neural metaestável demonstraram maior flexibilidade, navegando com sucesso por estímulos conflitantes e alcançando o alinhamento do grupo.
Concluindo, este estudo integra neurociência e inteligência artificial, mostrando como as capacidades neurais de inspiração biológica podem melhorar a tomada de decisões coletivas em sistemas multiagentes. Ao integrar feedback sensório-motor, interações sociais e estados neurais metaestáveis, a pesquisa fornece uma estrutura robusta para projetar agentes inteligentes. Essas descobertas abrem caminho para aplicações futuras em robôs interativos, inteligência artificial e sistemas adaptativos capazes de operar em ambientes complexos.
Confira Papel. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
🎙️ 🚨 'Avaliação de vulnerabilidade de um grande modelo de linguagem: uma análise comparativa dos métodos da Cruz Vermelha' Leia o relatório completo (Promovido)
Asif Razzaq é o CEO da Marktechpost Media Inc. Como empresário e engenheiro visionário, Asif está empenhado em aproveitar o poder da Inteligência Artificial em benefício da sociedade. Seu mais recente empreendimento é o lançamento da Plataforma de Mídia de Inteligência Artificial, Marktechpost, que se destaca por sua ampla cobertura de histórias de aprendizado de máquina e aprendizado profundo que parecem tecnicamente sólidas e facilmente compreendidas por um amplo público. A plataforma possui mais de 2 milhões de visualizações mensais, o que mostra sua popularidade entre os telespectadores.
🧵🧵 [Download] Avaliação do relatório do modelo de risco linguístico principal (ampliado)
