Computadores neuromórficos: uma solução para a inteligência artificial consumidora de energia?

Desbloquear o telefone com o rosto, encontrar sua música favorita, falar com um assistente digital no seu telefone ou dirigir um carro com auxílio de direção – tudo isso é possível graças à inteligência artificial, que é um pouco semelhante ao processamento de informações em nosso cérebro e que tem tornou-se importante em incontáveis ​​aplicativos de computador em aproximadamente vinte anos.

O melhor jogador de xadrez russo Garri Kasparov em 2005. O mestre do xadrez foi derrotado em 1997 pelo computador Deep Blue. Foi a primeira vez que um computador foi mais forte do que um campeão humano.

Uma desvantagem é que a inteligência artificial consome energia. Os cientistas calcularam que os carros elétricos totalmente autônomos são prováveis gastam dez a trinta por cento de sua energia no computador que controla o carro. Ou veja o programa de computador AlphaGo que derrotou um mestre Go humano pela primeira vez em 2016. Ele rodou em cerca de dois mil processadores que juntos supostamente consumiram um milhão de watts de eletricidade – bastante em comparação com os cerca de vinte watts de que seu oponente humano precisava.

Muitas aplicações de inteligência artificial ocorrem em grandes data centers, onde muita energia está disponível (um a dois por cento do consumo total de eletricidade global atualmente vai para data centers). Mas isso nos torna dependentes de conexões rápidas e confiáveis. Não seria muito mais inteligente fazer esses tipos de cálculos onde eles são necessários? Por exemplo, uma câmera que interpreta o que vê a si mesma não teria mais que compartilhar todos os seus dados com um computador localizado mais longe.

O poder da computação agora está se acumulando principalmente nas grandes empresas de tecnologia. Os cientistas estão trabalhando em partes dos computadores que podem reverter essa tendência: computadores que são ultraeficientes e ainda têm potência para muitos dos aplicativos acima. Os pesquisadores se inspiram para isso em nossos próprios cérebros, que são fundamentalmente diferentes da arquitetura clássica de computador. Uma pilha de minúsculas partículas de ouro parece se comportar como um grupo de células cerebrais artificiais.

Um cérebro em silício

À primeira vista, um computador clássico parece fundamentalmente inadequado para simular um cérebro. É verdade que um chip de computador médio tem bilhões de transistores (que você pode imaginar como interruptores minúsculos), mas eles funcionam de maneira diferente dos neurônios, as partes que constituem nosso cérebro.

Um transistor recebe um sinal e pode transmiti-lo ou bloqueá-lo. É como uma comporta totalmente aberta ou totalmente fechada: o transistor passa um ‘1’ ou ‘0’, tudo ou nada. Um neurônio também transmite um sinal, mas só o faz quando atinge o chamado valor de limiar. Pense nisso mais como um canhão ao vivo e ‘fogo’ quando disparado de uma série de entradas ao mesmo tempo recebe um sinal.

Além disso, os neurônios mantêm seus “estados”, as conexões entre os neurônios (também chamadas de sinapses) são adaptáveis ​​e transmitem sinais com mais ou menos facilidade dependendo de todos os sinais anteriores que transmitiram. Nesse sentido, um transistor não tem memória.

Fortes juntos

Uma representação esquemática simplificada de uma rede neural conforme ela reside no cérebro. As ‘células cerebrais’ vermelhas recebem um sinal (à esquerda) e o transmitem, em certa medida, às células azuis e amarelas, respectivamente. Eles eventualmente produzem um resultado (direita).

A inteligência artificial custa muita energia, porque se baseia em um grande número de cálculos de uma grande pilha de dados. Professor de nanoeletrônica Wilfred van der Wiel da Universidade de Twente afirma que na verdade se resume a multiplicar uma série enorme de números (as chamadas multiplicações de matriz vetorial). A multiplicação sempre requer que um número seja recuperado da memória antes de ser enviado de volta à memória. “São muitas etapas de processamento e o único motivo pelo qual funciona razoavelmente bem no momento é que um computador executa essas etapas muito rapidamente, uma após a outra”, disse Van der Wiel.

Então pegue nosso cérebro. Em termos de velocidade de cálculo de alguns neurônios, isso não pode corresponder aos bilhões de etapas de cálculo que um processador moderno executa por segundo. A velocidade dos neurônios é da ordem de várias centenas de “operações” por segundo. O grande trunfo, no entanto, é que o cérebro executa uma enorme quantidade de etapas de cálculo ao mesmo tempo. Mover números de e para a memória não é necessário (veja também a caixa Cérebro em silício), porque o processamento e o armazenamento das informações acontecem no mesmo local. Isso acabou sendo eficiente.

Os pesquisadores agora estão verificando isso e tornando os computadores mais ‘paralelos’, para que possam realizar mais etapas de cálculo ao mesmo tempo. Isso pode ser feito, por exemplo, com os chamados unidades de processamento gráfico (GPUs), processadores que têm sua origem no mundo do jogo e são especializados em várias etapas de cálculos paralelos. Existem GPUs na parte de trás do Tesla e AlphaGo também fez uso deles. Mas, para que os computadores sejam tão eficientes quanto o cérebro, é necessária uma abordagem adicional à arquitetura do cérebro. O transistor precisa ir ao mar.

Representação esquemática de uma ‘célula cerebral’ programável de nanopartículas de ouro (no meio) impulsionada por oito eletrodos circundantes. O circuito está operando atualmente a uma temperatura de -196 graus Celsius.

Células cerebrais de partículas de ouro

O computador no laboratório de Van der Wiel não tem transistores. Computador talvez também seja uma palavra grande, porque por enquanto o circuito tem no máximo doze entradas e saídas que estão conectadas a um chamado nanomaterial de partículas de ouro. Com um pouco de imaginação, você pode ver isso como uma coleção de várias células cerebrais.

As partículas de ouro têm vinte nanômetros de diâmetro e repousam sobre um substrato isolante de óxido de silício. Eletrodos correm para as partículas de ouro de lados diferentes. Isso inclui entradas que transmitem um sinal. Em última análise, com base nessas entradas, ele produz uma saída, um sinal que é passado para a próxima rede.

Os circuitos são programáveis ​​pela aplicação de uma certa tensão aos eletrodos de controle. Isso muda a maneira como a corrente flui através das partículas de ouro: seu caminho e sua resistência. Van der Wiel e seus colegas já mostraram que, desta forma, é possível fazer circuitos ‘lógicos’ que estão em computadores, para os quais muitos mais transistores clássicos são necessários.

Em última análise, não é precisamente a intenção imitar o computador clássico. “Era um prova de princípio a programabilidade do circuito. A aplicação final não consistirá nesses circuitos ”, diz Van der Wiel.

Wilfred van der Wiel diz que as aplicações de redes neurais com baixo consumo de energia podem fazer a diferença especialmente em lugares onde muito poder de computação é necessário, mas a energia limitada está disponível, como em câmeras de carros autônomos que são capazes de reconhecer outros utilizadores da estrada.

Chips esquecidos

Um dos desafios é tornar o sistema maior para que tenha funções mais complexas, diz Van der Wiel. Uma célula cerebral não faz um cérebro e o poder desses tipos de sistemas é justamente o grande número de unidades que processam informações simultaneamente. As centenas de nanopartículas de Van der Wiel e colegas podem ser um pouco escassas em comparação com as centenas de bilhões de células cerebrais em um cérebro humano. “Queremos aumentar a escala e isso é um desafio. A questão é como damos à nossa rede mais conexões e como conectamos várias dessas redes “, diz Van der Wiel.” Os sinais dessa rede também ameaçam se tornar incomensuravelmente pequenos. “

Outro ponto é a memória das redes, que falta. Primeiro, os pesquisadores “programam” a pilha com nanopartículas de ouro, aplicando diferentes voltagens aos eletrodos, até que as nanopartículas dêem a resposta desejada. Mas depois dessa fase de aprendizagem material o material pode, na verdade, perder o programa desejado novamente. “Agora estamos analisando como podemos capturar a funcionalidade, por exemplo, com os chamados materiais de mudança de fase, que também estão incluídos em CDs regraváveis.”

Van der Wiel vê um longo caminho para aplicações nesse sentido. Ele não se atreve a dizer quanto tempo isso vai levar. “Cinco anos, cinquenta anos, quem pode dizer? Em qualquer caso, fizemos progressos consideráveis ​​nos últimos dez anos. Na época, parecia-me que poderíamos ensinar um determinado comportamento aos chips com uma coleção aleatória de nanopartículas. E é isso que está acontecendo agora. ”

Um resistor com memória

Pesquisadores da Universidade de Groningen também estão trabalhando em componentes para chips neuromórficos de computador. Eles agora conseguiram fazer uma conexão em um material que tem as propriedades de aprendizagem de uma conexão entre células cerebrais em nosso cérebro. O especial dessa conexão é que ela se adapta e se lembra de seu estado: por exemplo, se muitos sinais passarem por ela, a conexão se tornará automaticamente mais forte. Com falta de sinal, fica mais fraco.

No mundo da informática, isso é chamado de memristor – uma combinação das palavras memória (memória) e resistor (resistência). Em Groningen, os cientistas estão fazendo esse memristor a partir de um pedaço de níquel em um substrato de óxido de estrôncio e titânio. A resistência deste material acaba por depender da corrente que já passou por ele. Este material pode não apenas ‘aprender’, mas também ‘esquecer’, assim como as conexões no cérebro fazem. Os cientistas de Groningen esperam reduzir seus memristores para uso em um chip neuromórfico.

Fontes:

  • C. Kaspar, BJ Ravoo, WG van der Wiel, SV Wegner, WHP Pernice, O surgimento da matéria inteligente, Nature (2021), doi: 10.1038 / s41586-021-03453-y
  • TF Tiotto, AS Goossens, J. Borst, T. Banerjee, NA Taatgen, Aprendendo a aproximar funções usando SrTiO Nb-dopado3 Memristors, fronteiras na neurociência (2021), doi: 10.3389 / fnins.2020.627276

Source: Kennislink by www.nemokennislink.nl.

*The article has been translated based on the content of Kennislink by www.nemokennislink.nl. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!