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, 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. Shaun Raviv: The Genius Neuroscientist Who Might Hold the Key to True AI. In: Wired, 13. November 2018 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.
O princípio da energia livre tem sido criticado por ser muito difícil de entender, mesmo para especialistas, e a consistência matemática da teoria tem sido questionada por estudos recentes. As discussões do princípio também foram criticadas por invocar suposições metafísicas muito distantes de uma previsão científica testável, tornando o princípio infalsificável. 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."
História 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 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/ e tratamentos subsequentes em psicologia e aprendizado de máquina. 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. Beal, M. J. (2003). Variational Algorithms for Approximate Bayesian Inference. Ph.D. Thesis, University College London. 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 A inferência ativa está intimamente relacionada ao bom teorema do regulador 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. e teorias relacionadas de auto-organização, Kauffman, S. (1993). The Origins of Order: Self-Organization and Selection in Evolution. Oxford: Oxford University Press. Nicolis, G., & Prigogine, I. (1977). Self-organization in non-equilibrium systems. New York: John Wiley. como auto-montagem, formação de padrões, autopoiese Maturana, H. R., & Varela, F. (1980). Autopoiesis: the organization of the living. In V. F. Maturana HR (Ed.), Autopoiesis and Cognition. Dordrecht, Netherlands: Reidel. e practopoiese. Nikolić, D. (2015). Practopoiesis: Or how life fosters a mind. Journal of theoretical biology, 373, 40-61. Aborda os temas considerados em cibernética, sinergética Haken, H. (1983). Synergetics: An introduction. Non-equilibrium phase transition and self-organisation in physics, chemistry and biology (3rd ed.). Berlin: Springer Verlag. 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. Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review Series II, 106 (4), 620–30. Finalmente, como a média temporal da energia é ação, o princípio da mínima energia livre variacional é um princípio da mínima ação.
Definição 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 O objetivo é maximizar a evidência do modelo ou minimizar a surpresa . 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
Minimização de energia livre e teoria da informação 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). Isso relaciona a minimização de energia livre ao princípio de redundância mínima Barlow, H. (1961). Possible principles underlying the transformations of sensory messages . In W. Rosenblith (Ed.), Sensory Communication (pp. 217-34). Cambridge, MA: MIT Press. e tratamentos relacionados usando a teoria da informação para descrever o comportamento ideal. Linsker, R. (1990). Perceptual neural organization: some approaches based on network models and information theory. Annu Rev Neurosci., 13, 257–81. Bialek, W., Nemenman, I., & Tishby, N. (2001). Predictability, complexity, and learning. Neural Computat., 13 (11), 2409–63.
Minimização de energia livre na neurociência A minimização de energia livre fornece uma maneira útil de formular modelos normativos (óptimos de Bayes) de inferência neuronal e aprendizado sob incerteza Friston, K. (2010). The free-energy principle: a unified brain theory? Nat Rev Neurosci., 11 (2), 127–38. e, portanto, ela concorda com a hipótese do cérebro Bayesiano. Knill, D. C., & Pouget, A. (2004). The Bayesian brain: the role of uncertainty in neural coding and computation . Trends Neurosci., 27 (12), 712–9. 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 A minimização da energia livre formaliza a noção de inferência inconsciente na percepção 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): Friston, K., Stephan, K., Li, B., & Daunizeau, J. (2010). Generalised Filtering. Mathematical Problems in Engineering, vol., 2010, 621670
Ver também
Abordagens bayesianas da função cerebral Codificação preditiva
Referências Categoria:Biomatemáticas Categoria:Teoria dos sistemas
Categoria:Consciência Categoria:Neurociência Categoria:Sistemas biológicos