Princípio da energia livre

Hipótese de neurociência proposta por Karl Friston

O princípio da energia livre é uma declaração formal que explica como os sistemas vivos e não vivos permanecem em estados estacionários de não equilíbrio, restringindo-se a um número limitado de estados. Estabelece que os sistemas minimizam uma função de energia livre de seus estados internos (não deve ser confundida com energia livre termodinâmica), o que implica crenças sobre estados ocultos em seu ambiente. A minimização implícita da energia livre está formalmente relacionada aos métodos variacionais Bayesianos e foi originalmente introduzida por Karl Friston como uma explicação para a percepção incorporada na neurociência, [1] onde também é conhecida como inferência ativa.

O princípio da energia livre explica a existência de um determinado sistema modelando-o através de um Envoltório de Markov que tenta minimizar a diferença entre seu modelo de mundo e seu sentido e percepção associados. Essa diferença pode ser descrita como "surpresa" e é minimizada pela correção contínua do modelo de mundo do sistema. Como tal, o princípio é baseado na ideia bayesiana do cérebro como um “motor de inferência”. Friston adicionou um segundo caminho para a minimização: a ação. Ao mudar ativamente o mundo para o estado esperado, os sistemas também podem minimizar a energia livre do sistema. Friston assume que este é o princípio de toda reação biológica. [2] Friston também acredita que seu princípio se aplica tanto aos transtornos mentais quanto à inteligência artificial. Implementações de IA baseadas no princípio de inferência ativa mostraram vantagens sobre outros métodos. [2]

O princípio da energia livre tem sido criticado por ser muito difícil de entender, mesmo para especialistas, [3] e a consistência matemática da teoria tem sido questionada por estudos recentes. [4] [5] As discussões do princípio também foram criticadas por invocar suposições metafísicas muito distantes de uma previsão científica testável, tornando o princípio infalsificável. [6] Em uma entrevista de 2018, Friston reconheceu que o princípio da energia livre não é adequadamente falsificável: "o princípio da energia livre é o que é - um princípio. Como o princípio de ação estacionária de Hamilton, não pode ser falsificado. Não pode ser refutado. Na verdade, não há muito o que fazer com ele, a menos que você pergunte se os sistemas mensuráveis estão de acordo com o princípio." [7]

História

editar

A noção de que sistemas biológicos auto-organizados – como uma célula ou cérebro – podem ser entendidos como minimizando a energia livre variacional é baseada no trabalho de Helmholtz sobre inferência inconsciente [8] e tratamentos subsequentes em psicologia [9] e aprendizado de máquina. [10] A energia livre variacional é uma função de observações e uma densidade de probabilidade sobre suas causas ocultas. Essa densidade variacional é definida em relação a um modelo probabilístico que gera observações previstas a partir de causas hipotéticas. Nesse cenário, a energia livre fornece uma aproximação à evidência do modelo Bayesiano. [11] Portanto, sua minimização pode ser vista como um processo de inferência bayesiana. Quando um sistema faz observações ativamente para minimizar a energia livre, ele implicitamente realiza inferência ativa e maximiza a evidência para seu modelo do mundo.

Relação com outras teorias

editar

A inferência ativa está intimamente relacionada ao bom teorema do regulador [12] e teorias relacionadas de auto-organização, [13] [14] como auto-montagem, formação de padrões, autopoiese [15] e practopoiese. [16] Aborda os temas considerados em cibernética, sinergética [17] e cognição incorporada. Como a energia livre pode ser expressa como a energia esperada de observações sob a densidade variacional menos sua entropia, ela também está relacionada ao princípio da entropia máxima. [18] Finalmente, como a média temporal da energia é ação, o princípio da mínima energia livre variacional é um princípio da mínima ação.

Definição

editar

Definição (formulação contínua): A inferência ativa depende da sequência  

  • Um espaço amostral   – a partir do qual flutuações aleatórias   são tomadas
  • Estados ocultos ou externos   – que causam estados sensoriais e dependem da ação
  • Estados sensoriais   – um mapeamento probabilístico de ação e estados ocultos
  • Ação   – que depende de estados sensoriais e internos
  • Estados internos   – que causam ação e dependem de estados sensoriais
  • Densidade generativa   – sobre estados sensoriais e ocultos sob um modelo generativo  
  • Densidade variacional   – sobre estados ocultos   que é parametrizado por estados internos  

Ação e percepção

editar

O objetivo é maximizar a evidência do modelo   ou minimizar a surpresa  . [10] No entanto, isso significa que os estados internos também devem minimizar a energia livre, porque a energia livre é uma função dos estados sensoriais e internos:

 
 
 

Minimização de energia livre

editar

Minimização de energia livre e teoria da informação

editar

A minimização da energia livre equivale a maximizar a informação mútua entre os estados sensoriais e os estados internos que parametrizam a densidade variacional (para uma densidade variacional de entropia fixa). [19]  Isso relaciona a minimização de energia livre ao princípio de redundância mínima [20] e tratamentos relacionados usando a teoria da informação para descrever o comportamento ideal. [21] [22]

Minimização de energia livre na neurociência

editar

A minimização de energia livre fornece uma maneira útil de formular modelos normativos (óptimos de Bayes) de inferência neuronal e aprendizado sob incerteza [23] e, portanto, ela concorda com a hipótese do cérebro Bayesiano. [24] Os processos neuronais descritos pela minimização da energia livre dependem da natureza dos estados ocultos:  , que podem incluir variáveis dependentes do tempo, parâmetros invariantes no tempo e a precisão (variância inversa ou temperatura) de flutuações aleatórias. Variáveis de minimização, parâmetros e precisão correspondem à inferência, aprendizado e codificação da incerteza, respectivamente.

Inferência perceptiva e categorização

editar

A minimização da energia livre formaliza a noção de inferência inconsciente na percepção [8] [10] e fornece uma teoria normativa Bayesiana do processamento neuronal (onde ~ denota uma variável em coordenadas generalizadas de movimento e   é um operador de matriz derivada): [25]

 

Referências

editar
  1. Friston, Karl; Kilner, James; Harrison, Lee (2006). «A free energy principle for the brain» (PDF). Elsevier BV. Journal of Physiology-Paris. 100: 70–87. ISSN 0928-4257. PMID 17097864. doi:10.1016/j.jphysparis.2006.10.001 
  2. a b Shaun Raviv: The Genius Neuroscientist Who Might Hold the Key to True AI. In: Wired, 13. November 2018
  3. Freed, Peter (2010). «Research Digest». Informa UK Limited. Neuropsychoanalysis. 12 (1): 103–106. ISSN 1529-4145. doi:10.1080/15294145.2010.10773634 
  4. Aguilera, Miguel; Millidge, Beren; Tschantz, Alexander; Buckley, Christopher L (2021). «How particular is the physics of the free energy principle?». Physics of Life Reviews. doi:10.1016/j.plrev.2021.11.001 
  5. Biehl, Martin; Pollock, Felix; Kanai, Ryota (2021). «A Technical Critique of Some Parts of the Free Energy Principle». Entropy. doi:10.3390/e23030293 
  6. Colombo, Matteo; Wright, Cory (10 de setembro de 2018). «First principles in the life sciences: the free-energy principle, organicism, and mechanism». Springer Science and Business Media LLC. Synthese. 198: 3463–3488. ISSN 0039-7857. doi:10.1007/s11229-018-01932-w  
  7. Friston, Karl (2018). «Of woodlice and men: A Bayesian account of cognition, life and consciousness. An interview with Karl Friston (by Martin Fortier & Daniel Friedman)». ALIUS Bulletin. 2: 17–43 
  8. a b Helmholtz, H. (1866/1962). Concerning the perceptions in general. In Treatise on physiological optics (J. Southall, Trans., 3rd ed., Vol. III). New York: Dover. Available at https://web.archive.org/web/20180320133752/http://poseidon.sunyopt.edu/BackusLab/Helmholtz/
  9. Gregory, R. L. (8 de julho de 1980). «Perceptions as hypotheses». The Royal Society. Philosophical Transactions of the Royal Society of London. B, Biological Sciences. 290 (1038): 181–197. Bibcode:1980RSPTB.290..181G. ISSN 0080-4622. JSTOR 2395424. PMID 6106237. doi:10.1098/rstb.1980.0090  
  10. a b c Dayan, Peter; Hinton, Geoffrey E.; Neal, Radford M.; Zemel, Richard S. (1995). «The Helmholtz Machine» (PDF). MIT Press - Journals. Neural Computation. 7 (5): 889–904. ISSN 0899-7667. PMID 7584891. doi:10.1162/neco.1995.7.5.889  |hdl-access= requer |hdl= (ajuda)
  11. Beal, M. J. (2003). Variational Algorithms for Approximate Bayesian Inference. Ph.D. Thesis, University College London.
  12. Conant, R. C., & Ashby, R. W. (1970). Every Good Regulator of a system must be a model of that system. Int. J. Systems Sci., 1 (2), 89–97.
  13. Kauffman, S. (1993). The Origins of Order: Self-Organization and Selection in Evolution. Oxford: Oxford University Press.
  14. Nicolis, G., & Prigogine, I. (1977). Self-organization in non-equilibrium systems. New York: John Wiley.
  15. Maturana, H. R., & Varela, F. (1980). Autopoiesis: the organization of the living. In V. F. Maturana HR (Ed.), Autopoiesis and Cognition. Dordrecht, Netherlands: Reidel.
  16. Nikolić, D. (2015). Practopoiesis: Or how life fosters a mind. Journal of theoretical biology, 373, 40-61.
  17. Haken, H. (1983). Synergetics: An introduction. Non-equilibrium phase transition and self-organisation in physics, chemistry and biology (3rd ed.). Berlin: Springer Verlag.
  18. Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review Series II, 106 (4), 620–30.
  19. Karl, Friston (31 de outubro de 2012). «A Free Energy Principle for Biological Systems» (PDF). MDPI AG. Entropy. 14 (11): 2100–2121. Bibcode:2012Entrp..14.2100K. ISSN 1099-4300. PMC 3510653 . PMID 23204829. doi:10.3390/e14112100  
  20. Barlow, H. (1961). Possible principles underlying the transformations of sensory messages Arquivado em 2012-06-03 no Wayback Machine. In W. Rosenblith (Ed.), Sensory Communication (pp. 217-34). Cambridge, MA: MIT Press.
  21. Linsker, R. (1990). Perceptual neural organization: some approaches based on network models and information theory. Annu Rev Neurosci., 13, 257–81.
  22. Bialek, W., Nemenman, I., & Tishby, N. (2001). Predictability, complexity, and learning. Neural Computat., 13 (11), 2409–63.
  23. Friston, K. (2010). The free-energy principle: a unified brain theory? Nat Rev Neurosci., 11 (2), 127–38.
  24. Knill, D. C., & Pouget, A. (2004). The Bayesian brain: the role of uncertainty in neural coding and computation. Trends Neurosci., 27 (12), 712–9.
  25. Friston, K., Stephan, K., Li, B., & Daunizeau, J. (2010). Generalised Filtering. Mathematical Problems in Engineering, vol., 2010, 621670