DEV Community

Cover image for Energy-Based Reasoners usam energia para orientar o raciocínio de IA
guiadeti
guiadeti

Posted on Originally published at guiadeti.com.br

Energy-Based Reasoners usam energia para orientar o raciocínio de IA

Pesquisadores apresentaram os Energy-Based Reasoners (EBRs), método que usa uma função de energia para orientar etapas de raciocínio de inteligência artificial. Nos testes dos autores, o modelo alcançou 99,9% de precisão no Sudoku-Extreme com cinco amostras e superou o EqR com menos computação de inferência.

Energia orienta o refinamento

Modelos recorrentes podem repetir um bloco de processamento para ampliar sua profundidade efetiva e construir etapas de raciocínio em representações internas. Nos métodos anteriores, porém, as atualizações não avaliavam explicitamente o progresso, o que dificultava decidir quando interromper o processamento ou como melhorar o estado atual.

O EBR aprende uma função que atribui energia a cada estado de raciocínio em relação à entrada, como o tabuleiro de um problema. Valores menores indicam maior compatibilidade, e o gradiente da função aponta como refinar o estado. Quando a magnitude do gradiente fica abaixo de um limiar, a trajetória pode ser encerrada.

Treinamento e escolha de respostas

Para treinar o método, os autores propõem uma estratégia baseada em exploração, que busca diferentes soluções e ajuda a moldar a função de energia em um conjunto mais amplo de estados. Assim, o treinamento considera mais possibilidades para orientar o refinamento das respostas.

Quando há várias respostas candidatas, o sistema pode escolher aquela com menor energia, em vez de depender apenas de uma profundidade fixa de processamento. A função de energia, portanto, orienta tanto as atualizações quanto a seleção e o critério de parada.

Resultados em problemas algorítmicos

Em quatro benchmarks de raciocínio algorítmico, os EBRs igualaram ou superaram modelos recorrentes anteriores. No Sudoku-Extreme, o modelo obteve 99,4% de precisão com uma amostra e 99,9% com cinco; no Maze-Hard, alcançou 87,4% com uma amostra e 88,3% com cinco.

Os autores relatam que o EBR atingiu a melhor precisão do EqR com sete vezes menos iterações ou 43 vezes menos amostras. Com parada adaptativa, manteve 99,9% de precisão usando 10,9 vezes menos FLOPs que a versão EBR de profundidade fixa e 345 vezes menos que o EqR.

Mais diversidade de soluções

Nos testes de N-Queens e coloração de grafos, os EBRs encontraram soluções válidas distintas em 20 amostras e registraram cobertura superior à dos métodos comparados em vários cenários. Em uma amostra, atingiram 100% e 99,5% de precisão nos problemas de N-Queens 8×8 e 10×10, respectivamente, sem conflitos nos casos de coloração avaliados.

Os resultados apontam uma forma de combinar refinamento iterativo, interrupção adaptativa e seleção de candidatos em tarefas estruturadas. A abordagem também alcançou alta cobertura de soluções distintas em benchmarks com múltiplas respostas válidas, mantendo precisão próxima de 100% com uma amostra.

Confira mais em: https://guiadeti.com.br/noticias/metodo-energy-based-reasoners-raciocinio-ia-eficiente/

Top comments (0)