Redes Neurais Profundas, DNNs, são modo IA usado para tarefas como classificação de imagens sendo desafio implantar redes pesadas em dispositivos menos capazes, smartphones e dispositivos IoT, daí, pesquisadores do Instituto Indiano de Tecnologia de Bombaim inovaram solução que melhora a eficiência IA nesses dispositivos. A pesquisa, publicada no artigo "I-SplitEE: classificação de imagens em DNNs de computação dividida com saídas antecipadas", mostra abordagem que integra saídas antecipadas e computação dividida dentro de DNNs, técnica que promete reduzir custos computacionais e de comunicação, garantindo impacto mínimo no desempenho, quando confrontado com desafios como condições ambientais variáveis que afetam a qualidade da imagem. A essência da abordagem reside na determinação da "camada de divisão" na rede neural profunda, ponto onde os cálculos são realizados em dispositivo de ponta, celular ou dispositivo IoT, antes de continuar processamento no dispositivo ou transferir à nuvem para conclusão incorporando saídas antecipadas, pontos de decisão na rede onde a previsão pode ser feita para evitar cálculos adicionais cujo método equilibra precisão e eficiência. O que diferencia este estudo é sua relevância à usuários e desenvolvedores de tecnologia focados em aplicações de computação de ponta otimizando uso de recursos em dispositivos de ponta e nuvem, sendo que o I-SplitEE não apenas torna viável a implantação de modelos sofisticados de IA em dispositivos com recursos limitados mas abre caminho à aplicações de IA responsivas e eficientes que operam sob restrições de largura de banda e latência apresentados pelas redes móveis, podendo revolucionar a forma como interagimos com IA nos dispositivos quotidianos, tornando serviços mais acessíveis, rápidos e econômicos.
Investigadores descobriram solução ao combinar conhecimentos teóricos recentes com requinte algorítmico prático, propondo abordagem eficiente e equilibrada à fixação de preços no mercado da eletricidade, sendo que através desta nova metodologia, não só aborda complexidades introduzidas pela crescente prevalência de fontes de energia renováveis mas reduz o tempo de execução computacional e pagamentos fora do mercado que oneram operadores, daí, conclusões descritas num estudo pré-impresso estabelecem bases à atualização dos sistemas que gerem eletricidade. O problema reside na utilização atual de modelos de programação linear inteira mista, PLMI, pelos operadores do mercado de eletricidade para alocar e precificar, embora eficientes, estes modelos têm custo, ou, podem incorrer em déficit orçamentario devido necessários pagamentos fora do mercado aos participante e, à medida que as fontes renováveis alteram a dinâmica tradicional do mercado com sua ascensão, estes modelos MILP enfrentam problemas de escala e complexidade que ameaçam sua viabilidade. O estudo convida imaginar um mercado energético não apenas mais eficiente, mas adaptável à mudanças em direção à sustentabilidade e, à medida que abraçamos energias renováveis, as melhorias fora do mercado podem tornar-se coisa do passado abrindo caminho à indústria que calcula rapidamente preços e alocações justas, sem contratempos financeiros que historicamente distorcem sinais do mercado e colocam pressão sobre os orçamentos e, tendo em vista a implementação, os operadores do mercado poderão impulsionar nova era de preços de eletricidade dinâmica aos recursos dos quais depende cada vez mais.
Moral da Nota: matemáticos trabalham para explicar comportamentos incomuns descobertos com o uso da inteligência artificial em que curvas elípticas estão entre objetos mais atraentes da matemática moderna, não parecem complicados, mas formam via expressa entre a matemática que aprendemos no ensino médio e a pesquisa matemática em sua forma mais obscura. Em 2000, o Clay Mathematics Institute nomeou conjectura sobre estatísticas das curvas elípticas como um dos 7 "Problemas do Prêmio do Milênio", cada um dos quais valendo prêmio de US$ 1 milhão pela solução, essa conjectura, lançada pela primeira vez por Bryan Birch e Peter Swinnerton-Dyer na década de 1960, ainda não foi provada. Compreender curvas elípticas é empreendimento de alto risco, fundamental à matemática e assim, em 2022, colaboração transatlântica utilizou técnicas estatísticas e IA para descobrir padrões inesperados em curvas elípticas, contribuição bem-vinda, embora inesperada. Inicialmente, ninguém conseguiu explicar por que existem padrões recém-descobertos, desde então, em artigos recentes, os matemáticos começaram desvendar razões por trás dos padrões, apelidados de "murmúrios" pela semelhança com formas fluidas dos estorninhos em bando e começaram provar que devem ocorrer não apenas no particular exemplos examinados em 2022, mas em curvas elípticas de forma mais geral. Embora pareçam simples, as curvas elípticas revelam-se ferramentas poderosas aos teóricos dos números, matemáticos, que procuram padrões nos inteiros e em vez de permitir variáveis sobre todos os números, gostam de restringi-las a diferentes sistemas numéricos que chamam de definição de uma curva "sobre" determinado sistema numérico, daí, curvas elípticas têm a ver com números primos, divisíveis por 1 e eles próprios, em particular, os matemáticos analisam curvas sobre corpos finitos ou sistemas de aritmética cíclica definidos à cada número primo. Após o início da pandemia, Yang-Hui He, investigador do Instituto de Ciências Matemáticas de Londres, doutor em física matemática pelo Massachusetts Institute of Technology, interessado na teoria dos números e, dadas as capacidades IA, tentou usar IA como ferramenta para encontrar padrões inesperados em números. Em agosto de 2020, à medida que a pandemia se agravava, a Universidade de Nottingham recebeu-o para uma palestra online e "sua narrativa era que a teoria dos números era difícil porque não era possível aprender coisas por máquina na teoria dos números", no entanto, poderia usar um banco de dados online de curvas elípticas e relacionadas, chamado LMFDB, para treinar classificadores de aprendizado de máquina, na época, o banco de dados tinha pouco mais de 3 milhões de curvas elípticas sobre os racionais e, em outubro de 2020, publicou artigo que usava informações coletadas para prever propriedade específica de curvas elípticas. Daí, padrões estatísticos que os algoritmos IA usam para classificar curvas elípticas por classificação existem em espaço de parâmetros com centenas de dimensões, muito às pessoas classificarem em suas mentes e muito menos visualizarem, embora o aprendizado de máquina tenha encontrado oscilações ocultas "só mais tarde entendidas como murmurações".