As redes neurais são capazes de realizar uma variedade de tarefas reconhecendo padrões nos dados que recebem para processamento, mas muitas vezes há pouca relação entre os padrões encontrados e as tarefas que elas foram treinadas para desempenhar. Por exemplo, uma rede capaz de reconhecer tipos de felíneos pode aprender a discernir gatos de leões mais em função do tipo de ambiente onde eles são geralmente encontrados do que de características próprias dos animais. Em outras palavras, estes modelos encontram correlações, mas não relações verdadeiras de causa e efeito.
Mas um novo trabalho publicado por pesquisadores do Instituto de Tecnologia de Massachusetts, nos Estados Unidos, acaba de mostrar que um tipo especial de rede neural é capaz de compreender o fenômeno da causalidade. Esta rede, chamada de neural circuit policy (NCP, ou regra de circuito neural em tradução livre), expande o conceito de redes líquidas, que são estruturas que se adaptam continuamente a novos dados, pois nunca saem do estágio de treinamento. Por isso, elas se assemelham mais à forma com que nós mesmos aprendemos, já que mesmo que estejamos desempenhando uma tarefa para a qual já tenhamos treinado, ainda assim fazemos ajustes mediante novas circunstâncias.
A nova estrutura foi avaliada em uma série de tarefas envolvendo a direção autônoma de drones, que deviam se deslocar entre dois pontos ou seguir um alvo móvel em diferentes condições ambientais. A análise do funcionamento destas redes revelou que elas aprendiam a tarefa focando a atenção no seu destino mas também avaliando as interferências, de forma análoga àquela de um ser humano. Ou seja, ela era capaz de entender o impacto das obstruções em sua atividade, e aplicar as correções necessárias, o que é uma manifestação do entendimento da casualidade dos fenômenos.
Quando comparada com outras abordagens mais tradicionais, as NCPs tiveram desempenho similar em condições ambientais normais, mas foram superiores em tarefas mais desafiadoras, aprendendo rapidamente a se ajustar mediante alterações como névoa ou chuva. Isto mostra que uma vez que a nova estrutura entende o que deve fazer, ela é muito menos afetada em cenários que ela desconhece.
O mais surpreendente é que a rede desenvolvida tinha apenas 19 neurônios, e foi capaz de aprender as relações de causa e efeito sem nenhum ajuste específico do sistema. O simples regime de treinamento lhe confere essas capacidades.
Como demonstrado no caso específico do estudo, redes como essa podem vir a formar sistemas mais robustos de navegação em veículos autônomos, mas toda tarefa sensível de relação causal pode ser beneficiada pelos desdobramentos deste trabalho.
