Chip inspirado no cérebro pode tornar algumas tarefas de IA até 2.000 vezes mais eficientes em termos de energia, segundo estudo

O chip da Universidade de Loughborough durante o teste.

Os físicos da Universidade de Loughborough desenvolveram um dispositivo que pode processar dados que mudam ao longo do tempo diretamente no hardware, em vez de depender de software executado em computadores convencionais.

Sua última pesquisa, publicada em Sistemas Inteligentes Avançadossugere que a abordagem pode ser até 2.000 vezes mais eficiente em termos energéticos do que os métodos convencionais baseados em software em algumas tarefas, embora os ganhos exatos variem dependendo da aplicação.

“Isso é emocionante porque mostra que podemos repensar como os sistemas de IA são construídos”, disse o professor sênior de física, Dr. Pavel Borisov, que liderou a equipe de pesquisa financiada pelo Conselho de Pesquisa em Engenharia e Ciências Físicas (EPSRC).

“Ao utilizar processos físicos em vez de depender inteiramente de software, podemos reduzir drasticamente a energia necessária para este tipo de tarefas.”

Como funciona

Muitos problemas de IA do mundo real envolvem o processamento de dados que mudam ao longo do tempo e a identificação de padrões para prever o que acontece a seguir – por exemplo, em sistemas meteorológicos, processos biológicos ou dados de sensores. Uma técnica chamada computação de reservatório é frequentemente usada para isso, onde os dados recebidos são transformados em um formato que torna os padrões mais fáceis de detectar e prever, normalmente usando software.

O dispositivo Loughborough realiza esse tipo de cálculo diretamente no hardware. É uma espécie de memristor – componente eletrônico que pode armazenar informações sobre insumos passados ​​– feito de óxido nanoporoso. Ele contém nanoporos aleatórios que criam múltiplos caminhos elétricos, e esses caminhos atuam como a camada de processamento oculta de uma rede neural, permitindo que o próprio material realize parte da computação.

Resultados do estudo

Em seu estudo, os pesquisadores mostraram que o dispositivo pode processar dados dependentes do tempo e, quando sua saída é inserida em um modelo linear de computador, pode ser usado para identificar padrões e fazer previsões de curto prazo.

Eles testaram o sistema usando o sistema Lorenz-63 – um conhecido modelo matemático de caos ligado ao “efeito borboleta”, onde pequenas mudanças podem levar a resultados muito diferentes – bem como tarefas que incluem o reconhecimento de imagens pixeladas simples de números e a execução de operações lógicas básicas.

Nestes testes, o modelo foi capaz de usar os dados processados ​​​​pelo memristor para prever com sucesso o comportamento de curto prazo do caótico sistema Lorenz e reconstruir os dados ausentes. Também identificou corretamente os números pixelados e realizou operações lógicas básicas, mostrando que o mesmo dispositivo pode suportar uma série de tarefas diferentes.

Os pesquisadores dizem que esta abordagem pode ajudar a enfrentar um desafio crescente na IA. À medida que os sistemas se tornam mais poderosos, as suas necessidades energéticas aumentam, levantando preocupações sobre a sustentabilidade a longo prazo. Ao transferir a computação do software para o hardware, pode ser possível obter resultados semelhantes usando muito menos energia.

“Inspirados pela forma como o cérebro humano forma conexões neuronais muito numerosas e aparentemente aleatórias entre todos os seus neurônios, criamos conexões físicas complexas e aleatórias em uma rede neural artificial, projetando poros em filmes nanométricos finos de óxido de nióbio como parte de um novo dispositivo eletrônico”, disse o Dr.

“Mostramos como é possível prever a evolução futura de uma série temporal complexa usando esses dispositivos com um consumo de energia até duas mil vezes menor em comparação com uma solução padrão baseada em software.”

Próximas etapas

Os pesquisadores afirmam que o sistema ainda está em estágio inicial, com testes realizados em tarefas relativamente simples. É necessário mais trabalho para ampliar a tecnologia, aumentar a complexidade das redes e avaliar o seu desempenho com dados do mundo real mais ruidosos.

“Os próximos passos são aumentar a complexidade das redes neurais e realizar testes com dados de entrada que incluem muito mais ruído de sinal”, disse o Dr. Borisov, “Acreditamos que esta é uma abordagem escalável e prática para criar dispositivos pequenos e compatíveis com a indústria para aplicações de IA com eficiência energética e capacidades offline muito melhores”.

O professor Sergey Saveliev, especialista em física teórica e um dos autores do estudo, acrescentou: “Este é um excelente exemplo de como a física fundamental pode contribuir para os cálculos modernos, evitando enormes sobrecargas computacionais ao usar a complexidade dos sistemas físicos como um filtro de alta dimensão para dados.”

O jornal, intitulado ‘Plataforma escalável que permite computação de reservatórios com memristores de óxido nanoporoso para reconhecimento de imagens e previsão de séries temporaispode ser lido na íntegra online.

Notas para editores

Número de referência do comunicado de imprensa: 26/69