Associative Emotional Learning in Convolutional Neural Networks

O Código de Trapaça Emocional do Cérebro

Imagine que seu cérebro é um detetive superinteligente tentando resolver um mistério a cada segundo da sua vida. Um de seus trabalhos mais importantes é descobrir o que é bom para você (como um abraço caloroso ou uma fatia de pizza) e o que é ruim (como uma abelha zumbindo ou uma casca de banana escorregadia). Essa capacidade de ligar algo neutro — como um som ou uma forma específica — a um sentimento de alegria ou medo é chamada de aprendizado emocional associativo. É a razão pela qual você pode se sentir um pouco nervoso ao ouvir a broca de um dentista, mesmo antes de ver a cadeira, porque seu cérebro aprendeu a conectar esse som a uma experiência ruim passada. Cientistas têm tentado construir modelos de computador para entender como isso funciona, mas os modelos antigos eram um pouco como calculadoras simples: eles podiam fazer a matemática, mas não conseguiam realmente "ver" o mundo como um ser humano faz. Eles tinham dificuldade em explicar como nossos cérebios lidam com imagens complexas e bagunçadas e as transformam em sentimentos.

Entra o Deep Learning (Aprendizado Profundo), um tipo de inteligência artificial que usa camadas de "neurônios" digitais para reconhecer padrões, muito parecido com o córtex visual em nossos olhos e cérebro. Essas redes são ótimas em identificar gatos em fotos ou ler caligrafia. Mas será que elas podem aprender a sentir? Pode um computador, que não possui sentimentos reais, aprender a tratar uma forma entediante como "assustadora" só porque ela foi pareada com uma imagem assustadora? Esta é a grande questão que os pesquisadores estão fazendo. Se pudermos ensinar um computador a aprender emoções da mesma forma que um humano, talvez finalmente entendamos a mecânica oculta de nossas próprias mentes, ajudando a entender por que algumas pessoas ficam presas em ciclos de medo (como na ansiedade ou no TEPT) e como ajudá-las a se libertarem.

---

O Cérebro Digital Aprende a Sentir

Neste estudo, uma equipe de pesquisadores construiu um cérebro de computador especial para ver se ele poderia aprender emoções da mesma forma que nós. Eles criaram um modelo chamado Modelo de Valência Visual. Pense neste modelo como tendo duas partes principais: um "Córtex Visual" que atua como um par de olhos, e um "Módulo de Emoção" que atua como o centro de sentimentos do cérebro (especificamente a amígdala e o córtex orbitofrontal). Para torná-lo ainda mais realista, eles adicionaram uma conexão de "atalho". Isso é como uma via rápida que permite aos olhos enviar um esboço rápido e bruto de uma cena para o centro de sentimentos antes que os olhos terminem de tirar uma foto detalhada. Isso imita como nossos cérebros reais às vezes reagem ao perigo antes mesmo de entendermos totalmente o que estamos olhando.

Primeiro, os pesquisadores tiveram que ensinar este céreja digital o que o "bom" e o "ruim" parecem. Eles mostraram a ele milhares de imagens da vida real do Sistema Internacional de Imagens Afetivas (IAPS), que são famosas por serem muito agradáveis (como um filhote ou um pôr do sol) ou muito desagradáveis (como uma aranha ou um vaso sanitário sujo). O computador aprendeu a prever uma pontuação de "valência" para essas imagens, um número de 1 (extremamente desagradável) a 9 (extremamente agradável), sendo 5 neutro. Após esse treinamento, o computador conseguia olhar para uma imagem e dizer: "Isso é um 2, é ruim", ou "Isso é um 8, é ótimo!".

Então veio o verdadeiro truque de mágica: Condicionamento Pavloviano. Você deve conhecer isso pelos famosos experimentos com cães, onde um sino fazia o cachorro salivar. Aqui, os pesquisadores usaram um objeto neutro: um patch de Gabor. Imagine este patch como um círculo listrado e desfocado que parece um pedaço de estática em uma TV antiga. Por si só, este patch é entediante e não tem significado emocional. Os pesquisadores parearam um patch listrado de 45 graus com uma imagem "desagradável" (como uma arma ou uma aranha) e um patch de 135 graus com uma imagem "agradável" (como um retrato de família ou um filhote). Eles mostraram esses pares ao computador repetidas vezes.

Os resultados foram fascinantes. Após apenas algumas rodadas vendo esses pares, o computador começou a mudar de ideia sobre as listras entediantes. Quando mostrado o patch de 45 graus sozinho (sem a imagem assustadora), o computador subitamente o classificou como desagradável (cerca de 2,3). Quando mostrado o patch de 135 graus sozinho, ele o classificou como agradável (cerca em 8,0). O computador aprendeu a associar as listras neutras com os sentimentos das imagens com as quais foram pareadas, exatamente como um humano faria.

Mas ele apenas memorizou as imagens exatas ou realmente aprendeu? Os pesquisadores testaram isso com a generalização. Eles mostraram ao computador listras em ângulos que ele nunca tinha visto antes, como 30 ou 60 graus. A reação do computador diminuía suavemente à medida que as listras se afastavam dos ângulos "treinados". Se ele foi treinado para 45 graus, uma listra de 30 graus parecia um pouco assustadora, mas uma listra de 90 graus parecia neutra. Esse efeito de "desvanecimento" é exatamente o que acontece em humanos, sugerindo que o computador não estava apenas memorizando pixels, mas estava realmente aprendendo um conceito. Eles também testaram se a localização da listra importava. Mesmo quando moveram as listras para diferentes cantos da tela onde não haviam sido treinadas, o computador ainda sentiu a emoção, embora o efeito fosse mais forte onde havia sido treinado.

Para entender como o computador aprendeu, os pesquisadores olharam dentro de seu "cérebro" para os neurônios digitais individuais. Eles descobriram que, antes do aprendizado, os neurônios que reagiam às imagens assustadoras eram diferentes dos que reagiam às listras entediantes. Mas após o aprendizado, os neurônios que disparavam para a listra de 45 graus começaram a parecer e agir cada vez mais como os neurônios que disparavam para as imagens assustadoras. O computador havia remodelado fisicamente seu mapa interno para fazer com que a coisa neutra parecesse a coisa emocional.

O estudo também descobriu que essa via de "atalho" era crucial. Quando removeram a conexão da via rápida, o computador falhou em aprender a associação emocional. Isso sugere que ter uma rota direta e rápida da visão inicial para o centro de emoção é fundamental para que esse tipo de aprendizado ocorra.

No entanto, os pesquisadores fazem questão de apontar o que este estudo não fez. O computador não "sentiu" nada de fato; ele apenas calculou números. A parte visual do cérebro do computador estava "congelada", o que significa que ele não mudou seus próprios olhos durante o processo de aprendizado, apenas a parte da emoção mudou. Cérebros humanos reais podem mudar seus olhos também, e este modelo não podia testar isso. Além disso, o computador não tinha uma maneira de "desaprender" (extinção), que é como paramos de ter medo de algo assim que percebemos que é seguro.

No fim, este estudo sugere que redes neurais profundas, quando construídas com os atalhos certos e treinadas com as regras emocionais certas, podem imitar a maneira como os humanos formam memórias emocionais. Mostra que não precisamos de uma "alma" mágica para aprender associações; podemos apenas precisar do tipo certo de arquitetura em camadas e conectada por atalhos. Embora seja uma simulação e não um céreio humano real, oferece uma poderosa nova ferramenta para cientistas explorarem como nossas mentes ligam o mundo ao nosso redor aos nossos sentimentos mais profundos.