O treinamento de redes neurais artificiais (modelos computacionais inspirados no cérebro humano para processar informações) exige que alguns parâmetros e características da rede (como o número de camadas, neurônios por camada etc.) sejam previamente definidos por especialistas. Contudo, esse processo exige tentativas e ajustes manuais, e como consequência, nem sempre resulta na arquitetura ideal da rede. Encontrar a melhor configuração pode demandar muitos recursos computacionais, tornando o processo caro e lento.

Para tornar esse treinamento de redes neurais mais preciso e com uma arquitetura otimizada, pesquisadores da Faculdade de Engenharia Mecânica (FEM) da Unicamp desenvolveram um software com um algoritmo avançado, chamado “otimização por enxame de partículas”. Este algoritmo explora diferentes combinações de parâmetros durante o treinamento, identificando com eficiência a configuração ideal para o problema específico que a rede neural procura resolver.

Para isso, o algoritmo efetua um treinamento automático da rede neural, cujo método imita o comportamento de grupos na natureza (como um enxame) para encontrar soluções ótimas. E de forma adicional, o software foi desenvolvido para rodar consumindo menos recursos computacionais em comparação com abordagens tradicionais, ainda que se trate de processos complexos.