Modular Neural Computer

Título: Computador Neural Modular (MNC)

Autor: Florin Leon
Instituição: Universidade Técnica "Gheorghe Asachi" de Iași, Romênia
Data: 4 de março de 2026 (Pré-impressão)

---

1. Problema e Motivação

O artigo aborda a lacuna entre a promessa teórica e a prática observada em arquiteturas de memória aumentada por redes neurais (como Máquinas de Turing Neurais - NTM e Computadores Neurais Diferenciáveis - DNC). Embora essas arquiteturas combinem controladores neurais com memória externa para representar iteração e estados intermediários, elas frequentemente falham em:

• Generalizar robustamente para entradas mais longas do que as vistas durante o treinamento.
• Garantir comportamento determinístico e exato em tarefas algorítmicas simples.
• Depender excessivamente de grandes conjuntos de dados e do processo de treinamento para aprender procedimentos básicos.

O objetivo deste trabalho não é aprender um algoritmo a partir de dados, mas sim implementar um algoritmo dado de forma exata dentro de uma arquitetura neural, permitindo computação em entradas de comprimento variável com garantias de correção.

2. Metodologia: Arquitetura do Computador Neural Modular (MNC)

O MNC é uma arquitetura de memória aumentada projetada para execução algorítmica exata. Diferente de sistemas que aprendem end-to-end, o MNC compila procedimentos algorítmicos conhecidos em componentes neurais com interfaces fixas e comportamento analítico.

Princípios de Design:

1. Memória Externa Explícita: O estado intermediário não é oculto em ativações recorrentes, mas armazenado em uma memória associativa externa de células escalares. Isso permite operar sobre entradas de comprimento variável.
2. Modularidade Funcional: O sistema é composto por um conjunto de módulos MLP (Perceptrons Multicamada), onde cada módulo implementa exatamente uma etapa de um algoritmo (ex: inicialização, atualização, parada).
3. Interfaces Homogêneas: Todos os módulos funcionais possuem a mesma interface: recebem o mesmo número de valores de leitura (escalar) e produzem o mesmo número de valores de escrita. Diferenças semânticas são tratadas internamente pelos pesos do MLP, e entradas não utilizadas são neutralizadas por pesos zero.
4. Controle de Fluxo Neural: O fluxo de controle é representado internamente através de um vetor de "portas" (gates) one-hot emitido por um controlador MLP. Apenas o módulo com a porta ativa (valor 1) produz uma saída não nula; os demais são inibidos e retornam zero.

Componentes Principais:

• Memória Associativa Externa: Um mapa de células escalares. O acesso é mediado por chaves (vetores one-hot ou interpolação linear para endereços fracionários). A leitura e escrita são feitas através de cabeças (heads) que operam com uma temperatura muito baixa no softmax, comportando-se quase como uma busca discreta exata.
• Controlador (MLP): Recebe um estado de controle fixo (extraído da memória, como índice atual e tamanho do problema) e emite:
  • Um vetor de portas one-hot para selecionar o módulo ativo.
  • Endereços de leitura e escrita para a memória.
• Módulos Funcionais: Uma coleção de MLPs que transformam os valores lidos da memória. A saída final é a soma das saídas de todos os módulos (o que efetivamente passa apenas a saída do módulo ativo).

3. Contribuições Chave

• Execução Algorítmica Exata: Demonstra que procedimentos algorítmicos podem ser compilados em componentes neurais com memória externa, preservando o comportamento determinístico e estados intermediários explícitos, sem depender de aprendizado estatístico para a lógica do algoritmo.
• Abordagem Híbrida (Neuro-Simbólica): Ocupa um espaço intermediário entre a execução simbólica clássica e as redes neurais puramente aprendidas. Mantém ingredientes neurais (MLPs, memória diferenciável) mas com a correção garantida pelo design analítico dos módulos.
• Generalização por Design: A arquitetura lida nativamente com entradas de comprimento variável, pois o controle de fluxo e a lógica de iteração são definidos analiticamente, não aprendidos.

4. Resultados e Estudos de Caso

O autor valida a arquitetura através de três estudos de caso, compilando algoritmos clássicos em redes neurais:

1. Cálculo do Mínimo de um Array:

   • Implementa uma varredura linear.
   • Utiliza 3 módulos: Inicialização (copia o primeiro elemento), Atualização (compara e atualiza o mínimo) e Parada.
   • O controlador seleciona o módulo correto baseado no índice atual. A comparação exata é realizada usando identidades matemáticas dentro do MLP (ex: min(a,b) via ReLU).

2. Ordenação de um Array (In-place):

   • Implementa um algoritmo de ordenação por trocas adjacentes (semelhante ao Bubble Sort).
   • Diferente do caso anterior, este requer reescrita de múltiplas células de dados (o próprio array) e controle de duas variáveis (índice do par e limite da passada).
   • Demonstra a capacidade de realizar transformações in-place complexas mantendo a invariância do algoritmo.

3. Execução do Algoritmo A (Busca):*

   • Implementa uma busca A* em um grafo fixo.
   • Mostra a capacidade de gerenciar uma estrutura de dados dinâmica (lista de nós de busca) na memória externa.
   • Utiliza 6 módulos para fases distintas: inicialização da raiz, varredura da lista aberta, seleção do melhor nó, teste de objetivo e expansão de ações.
   • O sistema constrói explicitamente a árvore de busca na memória, preservando os ponteiros dos pais para reconstrução do caminho.

Em todos os casos, a correção do resultado deriva do design dos módulos e das interfaces, e não da convergência de um treinamento estatístico.

5. Significado e Conclusão

O artigo propõe uma mudança de paradigma na aplicação de redes neurais para tarefas algorítmicas: em vez de tentar aprender algoritmos a partir de exemplos (o que muitas vezes falha na generalização), propõe-se a compilar algoritmos conhecidos em arquiteturas neurais modulares.

• Vantagens: Garante exatidão, inspecionabilidade do estado e correspondência direta entre fases do programa simbólico e componentes neurais.
• Limitações: Menos geral do que sistemas de aprendizado end-to-end, pois requer a especificação analítica prévia do algoritmo.
• Futuro: O autor sugere que, embora os módulos sejam definidos manualmente neste trabalho, o futuro pode envolver a descoberta automática dessas definições de módulos e conexões (via busca evolutiva ou populacional) sem recorrer ao backpropagation padrão, visando síntese de programas neurais modulares e explícitos.

Em suma, o MNC oferece uma via para sistemas neurais confiáveis e determinísticos para tarefas de raciocínio algorítmico, preenchendo a lacuna entre a flexibilidade neural e a precisão simbólica.