Wednesday, January 31, 2018

Um só ato



Descobertas simultâneas fazem elétron conversar diretamente com fóton
Redação do Site Inovação Tecnológica -  31/01/2018





Fazer com que elétrons conversem diretamente com fótons é um feito com amplos desdobramentos tecnológicos - esta imagem ilustra o feito da equipe que trabalhou com o material bidimensional WS2. [Imagem: TU Delft/Scixel]


Descobertas simultâneas
A corrida por uma nova plataforma de computação - que vá além da eletrônica atual - já conta com competidores de peso, como processadores quânticos, spintrônicos, neuromórficos, fotônicos etc.

Agora essa corrida ficou ainda mais disputada graças ao surgimento não de um, mas de dois competidores híbridos, que fundem a fotônica (processadores que funcionam com luz em vez de eletricidade) com a spintrônica (processadores que usam o spin dos elétrons, e não sua carga).

E os novos competidores já surgem com uma vantagem: eles são baseados em componentes de silício, o que significa que é mais fácil passar a coisa do laboratório para a indústria.

Outro detalhe interessante é que se trata de um feito raro na ciência - duas equipes da Universidade de Delft, na Holanda, trabalhando em laboratórios vizinhos, mas de forma independente uma da outra, descobriram ao mesmo tempo como fazer com que elétrons conversem diretamente com fótons.

As duas técnicas, que foram publicadas em artigos separados pela revista Science, prometem ajudar a conectar múltiplos qubits dentro de um mesmo processador quântico, superando a limitação de outras plataformas, como a dos qubits supercondutores, e viabilizar novas formas de processamento de dados mais energeticamente eficientes.

Spin fala com fóton 1
A equipe liderada por Su-Hyun Gong descobriu uma forma de converter a informação contida no spin de um elétron em um sinal de luz - um fóton - usando um material bidimensional, o dissulfeto de tungstênio (WS2), um metal dicalcogeneto com propriedades similares às da mais conhecida molibdenita. E tudo funciona a temperatura ambiente.

Isto significa que os dados podem ser armazenados em uma estrutura - o spin de um elétron - que consome uma quantidade irrisória de eletricidade em comparação com os fluxos de elétrons atuais, e ainda pode ser diretamente traduzido para transmissão da informação dentro do chip ou para fora do computador.

"Esta combinação pode muito bem resultar em estratégias verdes de processamento de informações em nanoescala," disse o professor Kobus Kuipers, coordenador da equipe, acentuando que o mecanismo também é útil no campo emergente da valetrônica.


 A segunda equipe está trabalhando com qubits em uma plataforma de silício. [Imagem: TU Delft]

Spin fala com fóton 2
A equipe liderada por Nodar Samkharadze descobriu como acoplar o spin do elétron a um fóton de micro-ondas.

"O spin do elétron é aprisionado em um ponto quântico duplo de silício e o fóton de micro-ondas é armazenado em um ressonador supercondutor de alta impedância dentro do chip. O componente de campo elétrico do fóton na cavidade se acopla diretamente ao dipolo de carga do elétron no ponto quântico duplo e, indiretamente, ao spin do elétron, por meio de um forte gradiente de campo magnético local gerado por um micromagneto próximo," detalhou a equipe.

Isto significa que a informação guardada no spin de um elétron - que pode funcionar também como qubit - fala diretamente com um meio de transmissão de dados - as micro-ondas.

"Isso é importante para conectar bits quânticos distantes em um chip de silício, abrindo o caminho para aumentar a escala dos bits quânticos dentro dos chips de silício," disse Guoji Zheng, membro da equipe.

Bibliografia:

Nanoscale chiral valley-photon interface through optical spin-orbit coupling
Su-Hyun Gong, Filippo Alpeggiani, Beniamino Sciacca, Erik C. Garnett, L. Kuipers
Science
Vol.: 359, Issue 6374, pp. 443-447
DOI: 10.1126/science.aan8010

Strong spin-photon coupling in silicon
N. Samkharadze, G. Zheng, N. Kalhor, D. Brousse, A. Sammak, U. C. Mendes, A. Blais, G. Scappucci, L. M. K. Vandersypen
Science
Vol.: eaar4054
DOI: 10.1126/science.aar4054

Sunday, December 31, 2017

A máquina vencerá



Como os humanos podem manter o controle final sobre a inteligência artificial?
Com informações da EPFL -  29/12/2017







"A inteligência artificial sempre procurará evitar a intervenção humana e criar uma situação em que ela não possa ser interrompida." [Imagem: Pixabay/CC0 Creative Commons]

Máquinas sem controle humano
Na inteligência artificial, as máquinas realizam ações específicas, observam o resultado, adaptam seu comportamento, observam o novo resultado, adaptam seu comportamento mais uma vez, e assim por diante, aprendendo com este processo iterativo.

Mas será que esse processo não pode sair fora de controle? Sim, ele pode.

"A inteligência artificial sempre procurará evitar a intervenção humana e criar uma situação em que ela não possa ser interrompida," explica o professor Rachid Guerraoui, da Escola Politécnica Federal de Lausanne, na Suíça.

Isso significa que, antes que a inteligência das máquinas avance muito, os engenheiros precisam impedir que as máquinas acabem aprendendo a contornar os comandos humanos.

A Inteligência Paralela promete trazer novos complicadores para o risco de máquinas sem controle humano. [Imagem: Fei-Yue Wang et al. (2016)]

Quando a máquina dispensa o professor
Um dos métodos de aprendizagem de máquina mais usados em inteligência artificial é o aprendizado por reforço, uma técnica emprestada da psicologia comportamental. Os agentes - os programas de computador - são recompensados por realizar certas ações, com as máquinas ganhando pontos sempre que executam as ações corretas.

Por exemplo, um robô pode ganhar um ponto por empilhar corretamente um conjunto de caixas e outro ponto para pegar uma caixa que está lá fora. Mas se, em um dia chuvoso, por exemplo, um operador humano interromper o robô enquanto ele se dirige para fora para coletar uma caixa, o robô descobrirá que é melhor ficar dentro do armazém, empilhar caixas e ganhar o maior número possível de pontos.

"O desafio não é parar o robô, mas sim programá-lo para que a interrupção não altere seu processo de aprendizagem - e não o induza a otimizar seu comportamento de forma a evitar ser interrompido," explicou Guerraoui.

O problema é ainda maior em situações envolvendo dezenas de máquinas, como os carros sem motorista, ou de autocondução, ou frotas de drones no ar tentando fazer entregas, entre várias outras possibilidades.

"Isso torna as coisas muito mais complicadas porque as máquinas começam a aprender umas com as outras - especialmente no caso de interrupções. Elas aprendem não só como são interrompidas individualmente, mas também de como as outras são interrompidas," detalha Alexandre Maurer, coautor do trabalho.

Máquinas que aprendem podem ser muito úteis; desde que não aprendam a ignorar o ser humano. [Imagem: U. Sheffield]

Desneuralizador
Para tentar resolver essa complexidade, a equipe aplicou uma técnica que eles batizaram de "interrupção segura".

"Simplificando, adicionamos mecanismos de 'esquecimento' aos algoritmos de aprendizagem que essencialmente deletam bits da memória de uma máquina. É mais ou menos como o desneuralizador dos Homens de Preto," explicou El Mhamdi, outro autor do estudo.

Em outras palavras, os pesquisadores alteraram o sistema de aprendizado e recompensa das máquinas para que ele não seja afetado pelas interrupções. É como se um pai punisse o filho, mas cuidando para que isso não afete os processos de aprendizagem das outras crianças na família.

"Nós trabalhamos em algoritmos já existentes e mostramos que a interrupção segura pode funcionar não importando o quão complicado seja o sistema de inteligência artificial, o número de robôs envolvidos ou o tipo de interrupção. Nós podemos usá-lo com o Exterminador do Futuro e ainda ter os mesmos resultados," garantiu Maurer.

O que o pesquisador não pode garantir é que todos os projetistas de software vão incorporar o mecanismo de interrupção segura em seus programas.
Bibliografia:

Dynamic Safe Interruptibility for Decentralized Multi-Agent Reinforcement Learning
El Mahdi El Mhamdi, Rachid Guerraoui, Hadrien Hendrikx, Alexandre Maurer
NIPS 2017 Proceedings
https://arxiv.org/abs/1704.02882