Resumo Técnico: Simulação Projetiva de Múltiplas Excitações com um Viés Indutivo Inspirado na Física de Muitos Corpos

1. Definição do Problema

Modelos de aprendizagem profunda, embora poderosos, frequentemente funcionam como "oráculos" opacos, tornando seus processos de tomada de decisão difíceis de interpretar. Essa falta de transparência impulsionou o campo da Inteligência Artificial Explicável (XAI). Uma estrutura de XAI existente, a Simulação Projetiva (PS), modela a deliberação como um passeio aleatório de uma única partícula em um grafo onde os vértices representam conceitos (clips). Embora a PS ofereça interpretabilidade e potencial para quantização, ela sofre de uma limitação fundamental: não consegue modelar naturalmente pensamentos que combinam múltiplos conceitos simultaneamente. Na PS padrão, uma única excitação deve carregar toda a informação de curto prazo para uma decisão, impedindo o desmembramento de estruturas de pensamento compostas (por exemplo, deduções lógicas envolvendo múltiplas variáveis).

Além disso, uma extensão ingênua da PS para lidar com múltiplos conceitos simultâneos (Multi-Excitation PS ou MEPS) usando hipergrafos enfrenta uma complexidade exponencial. O tamanho do conjunto das partes dos vértices escala exponencialmente com o número de clips atômicos, tornando o número de parâmetros treináveis e o custo computacional de um único passo de passeio aleatório intratáveis para todos, exceto para os menores grafos.

2. Metodologia

Simulação Projetiva de Múltiplas Excitações (MEPS)

Os autores propõem a MEPS, uma generalização da PS onde a deliberação é modelada como um passeio aleatório de múltiplas partículas (excitações) em um hipergrafo.

• Estrutura: A Memória Episódica e Composicional (ECM) é um hipergrafo direcionado e ponderado $G=(V, E, h)$. Os vértices $V$ são clips atômicos (conceitos), e as hiperarestas $E$ conectam conjuntos de clips de entrada a conjuntos de clips de saída.
• Estado: O estado do agente é uma configuração de excitação $C \subset V$, representando o conjunto de conceitos atualmente relevantes.
• Dinâmica: Um passo de deliberação envolve a amostragem de uma transição da configuração atual $C_{now}$ para uma nova configuração $C_{next}$ baseada nos pesos das hiperarestas (valores-h).
• Aprendizado: O agente aprende através de uma regra de atualização de aprendizado por reforço adaptada da PS, modificando os valores-h com base em recompensas e um fator de "brilho" (glow) para recompensas atrasadas.

O Viés Indutivo Inspirado na Física de Muitos Corpos

Para superar a complexidade exponencial da MEPS ingênua, os autores introduzem um viés indutivo inspirado na física de muitos corpos quânticos.

• Conceito Central: Assim como fenômenos físicos frequentemente surgem de interações entre um pequeno número de partículas (interações de poucos corpos), os autores restringem as transições da MEPS para serem compostas por transições elementares envolvendo apenas algumas excitações por vez.
• Formalismo: Em vez de definir valores-h para subconjuntos arbitrários de vértices, o modelo define parâmetros treináveis para transições elementares $(i, o)$, onde $i$ excitações de entrada interagem para produzir $o$ excitações de saída.
• Corte (Cutoff): Um conjunto $IO$ define os pares permitidos de $(i, o)$. Um corte é imposto de modo que $i + o \leq \text{max\_IO}$.
• Mecanismo: Em um único passo de passeio aleatório, o agente amostra uma transição elementar $(C^{(i)}_{in} \to C^{(o)}_{out})$ onde $C^{(i)}_{in} \subset C_{now}$. A nova configuração é formada pela remoção das excitações de entrada e adição das excitações de saída: $C_{next} = (C_{now} \setminus C^{(i)}_{in}) \cup C^{(o)}_{out}$.
• Redução de Complexidade: Os autores provam que este viés reduz o número de parâmetros treináveis e a complexidade de um passo de deliberação de exponencial ($O(2^{|V|})$) para polinomial ($O(|V|^{\text{max\_IO}})$). O grau do polinômio é determinado pelo corte de interação.

Hipergrafos Dinâmicos e Arquiteturas em Camadas

• Hipergrafos Dinâmicos: O histórico de treinamento é formalizado como um hipergrafo dinâmico, permitindo a visualização de como a estrutura de memória do agente evolui ao longo do tempo.
• Variantes Feed-Forward em Camadas: Para aplicações específicas, os autores definem o Inductive Bias 2FF (Feed-Forward), que restringe as transições para mover excitações entre camadas (ex: Percepção $\to$ Oculto $\to$ Ação). Eles também propõem variantes mais estritas (2SF e 2DP) para garantir limites superiores polinomiais nos comprimentos de passeio aleatório, prevenindo "avalanches" patológicas de excitações.

3. Principais Contribuições

1. Estrutura MEPS: Introdução de um modelo de passeio aleatório de múltiplas partículas em hipergrafos para representar pensamentos compostos e estruturas de memória desmembradas.
2. Viés Indutivo Inspirado na Física: Formalização de um viés indutivo clássico derivado de interações de poucos corpos na física de muitos corpos quânticos. Isso reduz a complexidade computacional da MEPS de exponencial para polinomial.
3. Provas Teóricas: Prova de que o viés indutivo reduz o número de parâmetros treináveis e a complexidade dos passos de passeio aleatório para um grau polinomial determinado pelo corte de interação.
4. Definição de Hipergrafo Dinâmico: Uma nova definição para hipergrafos dinâmicos para modelar e visualizar os históricos de treinamento de agentes.
5. Motivação Quântica: Uma derivação formal ligando o viés indutivo clássico ao Hamiltoniano de sistemas de muitos corpos quânticos, delineando um caminho para uma implementação quântica da MEPS em simuladores quânticos.

4. Resultados Experimentais

Os autores avaliaram a MEPS com vários vieses indutivos em três ambientes sintéticos:

• Jogo de Invasão com Distração: Um problema de bandit contextual onde a ação correta depende de dois observáveis relevantes e um "distrator" irrelevante.
  • Resultado: Agentes com um viés indutivo de 2 corpos (correspondente à complexidade do problema) aprenderam a política ótima mais rapidamente. Um agente de 1 corpo falhou em resolver o problema, enquanto um agente de 3 corpos (equivalente à PS padrão) resolveu-o, mas aprendeu significativamente mais devagar devido ao maior espaço de parâmetros.
• Jogo de Invasão Deceptivo: Uma extensão com mais ações e uma estrutura de recompensa deceptiva (baseada em paridade).
  • Resultado: O agente de 2 corpos superou novamente o agente de 3 corpos. O agente de 1 corpo falhou em aprender, ficando preso em políticas subótimas devido à incapacidade de modelar a lógica composta necessária.
• Manutenção de Computador: Um cenário complexo que modela o diagnóstico e reparo de um computador quebrado, exigindo uma cadeia de pensamento de múltiplas camadas (Sintomas $\to$ Componentes/Causas $\to$ Correções).
  • Resultado: Um agente MEPS de múltiplas camadas com uma configuração específica de viés indutivo alcançou desempenho próximo ao ótimo com cerca de 16.766 passos. Em contraste, um agente PS padrão não restrito e um agente de Q-learning de múltiplas camadas inspirado em tabelas exigiram aproximadamente 35.817 e 115.261 passos, respectivamente. O agente com viés indutivo utilizou aproximadamente 13 vezes menos parâmetros treináveis do que as linhas de base.

5. Significância e Alegações

O artigo afirma que a MEPS, combinada com o viés indutivo de muitos corpos, oferece uma alternativa escalável e interpretável aos métodos padrão de aprendizagem profunda e aprendizagem por reforço tabular para problemas que exigem raciocínio composto.

• Interpretabilidade: Ao representar explicitamente múltiplos conceitos simultaneamente e usar uma estrutura de hipergrafo, a MEPS fornece uma "cadeia de pensamento" transparente que pode ser visualizada e analisada.
• Eficiência: O viés indutivo permite que os agentes resolvam tarefas complexas com significativamente menos parâmetros e passos de treinamento em comparação com modelos não restritos, evitando a "maldição da dimensionalidade" inerente às implementações ingênuas de hipergrafos.
• Plausibilidade Biológica e Física: A abordagem é motivada pela observação de que a cognição humana e os sistemas físicos frequentemente dependem da combinação de um número limitado de fatores simultaneamente, em vez de processar todas as combinações possíveis.
• Potencial Quântico: A analogia formal com a física de muitos corpos quânticos sugere um caminho natural para implementar a MEPS em hardware quântico, potencialmente aproveitando acelerações quânticas para a deliberação.

Os autores mantêm-se modestos, observando que, embora o viés indutivo restrinja o espaço de hipóteses, ele se alinha com as limitações cognitivas humanas e as leis físicas, sugerindo que é uma restrição prática em vez de limitante. Eles reconhecem que trabalhos adicionais são necessários para otimizar algoritmos de amostragem e explorar a integração de técnicas da literatura de hipergrafos para maior escalabilidade.