🤖 machine learning

Exploration of the generative capabilities of Boltzmann machines applied to social systems under the majority rule

Este artigo demonstra que redes de crença profunda com unidades visíveis não binárias podem gerar e recuperar amostras de sistemas sociais governados pela regra da maioria sob condições críticas, mantendo a criticidade e mostrando uma degradação física gradual mesmo na presença de ruído de entrada.

Autores originais: Mauricio A. Valle, Gonzalo A. Ruz

Publicado 2026-07-28

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Mauricio A. Valle, Gonzalo A. Ruz

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde o seu humor, a sua opinião sobre um novo filme ou até a sua decisão de comprar uma ação não é apenas um pensamento individual, mas um efeito cascata causado por todos ao seu redor. Este é o campo de jogo da física estatística e das ciências sociais, dois campos que descobriram um segredo surpreendente: grupos de pessoas frequentemente se comportam como ímãs gigantes. Assim como pequenos spins magnéticos podem subitamente se alinhar para criar um forte campo magnético, grupos de pessoas podem subitamente concordar (consenso) ou subitamente discordar (polarização). O momento em que essa chave vira é chamado de transição de fase. É o exato ponto de inflexão entre a ordem calma e o ruído caótico. Os cientistas são obcecados em encontrar esses "pontos de inflexão" porque é onde ocorrem as mudanças mais dramáticas — como um crash no mercado ou um movimento social repentino. Para estudar essas mudanças invisíveis, os pesquisadores usam máquinas de Boltzmann, que são um tipo de cérebro computacional que aprende tentando adivinhar padrões e depois verificando seus próprios palpites, como um aluno fazendo um teste prático repetidamente até memorizar as respostas.

Agora, imagine um grupo de amigos em uma grade quadrada, onde cada um tem três possíveis humores: feliz, neutro ou rabugento. Eles olham para seus quatro vizinhos mais próximos e tentam corresponder ao humor da maioria, mas às vezes ficam distraídos ou teimosos (isso é o "ruído"). Os pesquisadores neste artigo fizeram uma pergunta difícil: Se pegarmos um instantâneo deste grupo quando ele está exatamente nesse ponto de inflexão caótico e, em seguida, apagarmos alguns de seus humores (fingindo que não sabemos o que eles estão pensando), um cérebro computacional consegue descobrir as peças que faltam e recriar toda a cena? Eles não queriam apenas que o computador adivinhasse; eles queriam saber se o computador poderia "sonhar" com uma nova versão do grupo que ainda parecesse estar exatamente nessa borda do caos, mesmo com informações ausentes.

A equipe construiu um tipo especial de cérebro computacional chamado Rede de Crença Profunda (DBN - Deep Belief Network). Pense nisso como um detetive de múltiplas camadas. A primeira camada é um detetive "Gaussiano-Bernoulli", o que é uma forma elegante de dizer que ele pode lidar com opiniões que não são apenas "sim" ou "não", mas podem ser "talvez" ou "mais ou menos" (três estados). Eles treinaram esse detetive em milhares de instantâneos do grupo de amigos em diferentes humores. Uma vez treinado, eles testaram o sistema escondendo as opiniões de uma fração dos amigos (até 50% deles!) e pedindo ao detetive para preencher as lacunas. Os resultados foram surpreendentemente esperançosos. O cérebro computacional conseguiu "sonhar" com as opiniões perdidas, criando um novo grupo que parecia e agia de forma muito semelhante ao original.

No entanto, a história não é um simples "o computador venceu". Os pesquisadores descobriram que a forma do detetive importava. Quando construíram um detetive que expandia sua visão (tornando as camadas ocultas maiores que o grupo original), ele era melhor em copiar os detalhes exatos dos humores dos amigos. Mas, quando construíram um detetive que comprimia a informação (tornando as camadas ocultas menores), ele era surpreendentemente bom em manter o grupo naquele estado "crítico", mesmo que os detalhes não fossem perfeitos. É como ter um desenhista de retratos que ou desenha cada pequena pinta (expansivo) ou captura a vibração geral do rosto (compressivo). O artigo sugere que, para recriar o sentimento de um momento social crítico, o artista compressivo pode ser, de fato, a melhor escolha, mesmo que o desenho não seja perfeitamente detalhado.

Para garantir que o computador não estivesse apenas alucinando, a equipe construiu um "termômetro" (um programa de computador separado) para medir a temperatura do grupo. Este termômetro verifica se o grupo está muito caótico (subcrítico), muito calmo (supercrítico) ou exatamente no ponto ideal (crítico). O termômetro foi ótimo para detectar os extremos, mas às vezes ficava confuso justamente no ponto de inflexão, o que faz sentido, pois essa é a parte mais desordenada do sistema. Quando testaram os grupos "sonhados", descobriram que, mesmo com metade das opinições faltando, o computador ainda conseguia gerar grupos que o termômetro reconhecia como estando próximos daquele ponto de inflexão crítico.

O artigo descarta explicitamente a ideia de que simplesmente rodar o processo de adivinhação do computador por mais tempo (mais etapas de "amostragem de Gibbs") o torna melhor. Na verdade, fazer mais etapas não ajudou e pode apenas fazer o computador memorizar os dados de treinamento de forma muito rígida. Eles também descobriram que a maneira como o computador mistura suas pistas "bottom-up" (o que ele vê) com seus palpites "top-down" (o que ele aprendeu) altera o resultado. Se o computador confiar demais nos dados ausentes, ele fica confuso; se confiar demais em seus próprios padrões aprendidos, ele perde os detalhes finos. O ponto ideal depende de quanta informação está faltando.

Em última análise, esta pesquisa sugere que, embora não possamos reconstruir perfeitamente um sistema social com dados ausentes, podemos chegar perto o suficiente para manter viva a "magia crítica". O computador não precisa saber a opinião de cada pessoa para entender a energia do grupo. Isso abre as portas para usar esses modelos como máquinas de "e se". Imagine se pudéssemos alimentar os dados parciais de uma plataforma de rede social em tal sistema e fazer com que ela "sonhasse" o quadro completo da opinião pública, ajudando-nos a detectar uma crise de polarização antes que ela exploda. O artigo não afirma ter resolvido isso para o mundo real ainda — é ainda uma simulação em uma grade de 784 agentes — mas prova que o conceito funciona. Mostra que modelos de aprendizagem profunda podem aprender a física oculta da opinião social, mesmo quando os dados são bagunçados, ruidosos e incompletos.

Resumo Técnico: Exploração das Capacidades Generativas de Máquinas de Boltzmann Aplicadas a Sistemas Sociais sob a Regra da Maioria

Definição do Problema
O artigo aborda o desafio de modelar sistemas sociais complexos governados pela regra da maioria, focando especificamente em sistemas capazes de sofrer transições de fase (ex: mudanças de consenso para polarização). Diferente de conjuntos de dados de imagens padrão (ex: MNIST), que possuem regularidades espaciais claras, os sistemas de dinâmica de opinião exibem padrões heterogêneos e irregulares, particularmente próximos a pontos críticos, onde o sistema equilibra ordem e desordem. Os autores investigam se modelos generativos não supervisionados, especificamente Redes de Crença Profunda (DBNs), podem aprender as distribuições de probabilidade subjacentes desses sistemas, reconstruir informações ausentes (imputação) sob ruído e manter o estado crítico do sistema durante a reconstrução.

Metodologia
O estudo emprega uma metodologia de três estágios (ilustrada na Figura 1) utilizando um modelo de Voto Majoritário de três estados (MV3) em uma rede quadrada de $28 \times 28$ ( $L=784$ agentes). Os agentes detêm opiniões $s_i \in \{0, 0.5, 1\}$ e atualizam-se com base no consenso de vizinhos com probabilidade $p$ (nível de ruído $q=1-p$ ).

Geração de Dados: Simulações de Monte Carlo geram estados do sistema $S(p)$ através de vários níveis de ruído. O ponto crítico para este sistema de tamanho finito é identificado em $q_c \approx 0.151$ ( $p \approx 0.849$ ).
Treinamento de DBN: Os autores treinam Redes de Crença Profunda onde a primeira camada é uma Máquina de Boltzmann Restrita Gaussiana-Bernoulli (GBRBM) para lidar com as unidades visíveis não binárias (três estados), seguida por RBMs Bernoulli-Bernoulli (BBRBM) empilhadas. Diversas arquiteturas são testadas, variando entre estratégias "expansivas" (dimensão da camada oculta $>784$ ), "compressivas" (dimensão da camada oculta $<784$ ) e "expande-contrai". O treinamento utiliza Divergência Contrastiva (CD) com uma abordagem gananciosa de camada por camada (layer-wise).
Termômetro Discreto: Uma Rede Neural Convolucional (CNN) é treinada como um "termômetro" para classificar estados do sistema como subcríticos, críticos ou supercríticos com base na distribuição espacial dos clusters de opinião.
Experimentos de Imputação e Geração:
- Sonho (Dreaming): A DBN gera amostras sintéticas condicionadas a unidades visíveis fixas.
- Imputação: Uma fração $f$ das opiniões dos agentes é mascarada (definida como -1). A DBN reconstrói esses valores ausentes usando uma aproximação de Campo Médio que mistura fluxos de informação bottom-up (orientados por dados) e top-down (orientados por priors) via parâmetros de mistura $\alpha_1$ e $\alpha_2$ .
- Avaliação: O erro de reconstrução é medido contra as amostras originais, e o "termômetro" avalia se as amostras reconstruídas mantêm o estado crítico.

Principais Contribuições

Aprendizado de Representações MV3: Os autores demonstram que DBNs com unidades visíveis Gaussianas podem aprender com sucesso representações comprimidas do modelo de voto majoritário de três estados através de diferentes fases, alcançando baixos erros de reconstrução apesar da complexidade configuracional.
Validação de um Classificador de Fase: Eles desenvolvem e validam um "termômetro" baseado em CNN capaz de distinguir estados subcríticos, críticos e supercríticos sem conhecimento explícito de parâmetros de ordem, embora o desempenho seja observado como inferior para estados críticos devido à ambiguidade dos clusters de mesoescala.
Imputação Generativa sob Ruído: O estudo explora sistematicamente as capacidades generativas das DBNs através de experimentos de imputação. Revela que esses modelos podem reconstruir informações ausentes e manter a criticidade mesmo sob ruído substancial ( $f$ até 0,5), com o desempenho dependendo da arquitetura da rede e dos parâmetros de mistura do fluxo de informação.

Resultos

Acurácia de Reconstrução: Arquiteturas expansivas (onde a dimensão da primeira camada oculta excede o tamanho da entrada, ex: $n_{H1} = 2704$ ) geralmente alcançam menores erros de reconstrução (0,065–0,075) em comparação com arquiteturas compressivas (0,108–0,132).
Preservação da Criticidade: Embora os modelos expansivos minimizem o erro de reconstrução, as arquiteturas compressivas (ex: DBN7 com $n_{H1}=256$ ) demonstraram uma robustez surpreendente na preservação do estado crítico durante a imputação, conforme medido pelo termômetro.
Desempenho de Imputação: À medida que a fração de dados ausentes ( $f$ ) aumenta, o erro de imputação aumenta. Para arquiteturas expansivas, uma abordagem orientada por dados (maior peso nos sinais de entrada, $\alpha_1$ ) produziu melhores resultados. Por outro via, as arquiteturas compressivas apresentaram desempenho competitivo com parâmetros de mistura específicos ( $\alpha_1=0,9, \alpha_2=0,1$ ), sugerindo que a mistura ideal depende da relação sinal-ruído em cada camada.
Limitações do Termômetro: O termômetro CNN mostrou alta acurácia para estados subcríticos (AUC 0,918) e supercríticos (AUC 0,996), mas menor acurácia para estados críticos (AUC 0,838), atribuída à natureza não abrupta da transição de fase e à ambiguidade dos padrões próximos ao ponto crítico.

Significância e Alegações
O artigo afirma que as DBNs oferecem um arcabouço viável para extrair representações significativas de sistemas sociais altamente não estruturados. A capacidade desses modelos de "sonhar" ou gerar amostras sintéticas que permanecem em estados críticos, mesmo quando condicionadas a dados ruidosos ou incompletos, sugere utilidade potencial para:

Geração de Cenários: Criar dados sintéticos realistas para sistemas sociais em estado de criticidade.
Imputação: Reconstruir opiniões de agentes a partir de dados incompletos (ex: a "maioria silenciosa" nas redes sociais), potencialmente identificando o surgimento de consenso ou polarização antes que sejam totalmente visíveis.
Teste de Hipóteses: Servir como ferramentas para a ciência social computacional para testar hipóteses sobre transições de fase.

Os autores mantêm um tom modesto, observando que suas simulações utilizam redes regulares em vez de topologias de rede realistas e que a sensibilidade reduzida do termômetro no ponto crítico introduz incerteza. Eles concluem que, embora as arquiteturas expansivas sejam superiores para a fidelidade de reconstrução, a interação entre arquitetura e fluxo de informação é crucial para manter as propriedades físicas (criticidade) dos sistemas gerados. Sugere-se como trabalho futuro explorar abordagens híbridas com modelos de difusão baseados em escore (score-based diffusion models) e testar estas metodologias em dados do mundo real.

Mais como este