Embora ainda não estejamos perto de replicar a complexidade do cérebro humano com qualquer coisa artificial, os cientistas estão progredindo com certos dispositivos dedicados – como um resistor programável recém-desenvolvido.
Resistores podem ser usados para compor redes neurais analógicas em sistemas de inteligência artificial, com base em uma estrutura projetada para imitar o cérebro humano.
Este dispositivo mais recente pode processar informações cerca de um milhão de vezes mais rápido do que as sinapses cerebrais que ligam os neurônios.
Em particular, a sinapse artificial deve ser usada no aprendizado profundo analógico, uma abordagem para progredir na IA que melhora as velocidades e reduz o uso de energia – o que é importante para a acessibilidade, bem como as demandas dos recursos naturais do planeta.
A chave para as melhorias significativas neste último resistor é o uso de um material inorgânico especialmente selecionado e eficiente. A equipe por trás do projeto diz que os ganhos nas velocidades de aprendizado da rede neural de IA prometem ser grandes.
“Depois de ter um processador analógico, você não estará mais treinando redes nas quais todos os outros estão trabalhando”, diz o cientista da computação Murat Onen, do Massachusetts Institute of Technology (MIT).
“Você estará treinando redes com complexidades sem precedentes que ninguém mais pode pagar e, portanto, superam amplamente todas elas. Em outras palavras, este não é um carro mais rápido, é uma espaçonave”.
O material inorgânico em questão é baseado em vidro fosfosilicato (PSG) – dióxido de silício com adição de fósforo. Usado como o eletrólito sólido no resistor, seus poros em nanoescala permitem que os prótons passem por ele em velocidades nunca antes vistas quando pulsos de 10 volts são aplicados à configuração.
Melhor ainda, o PSG pode ser fabricado usando as mesmas técnicas de fabricação que são implantadas para fazer circuitos de silício. Isso deve facilitar a integração aos processos de produção existentes sem aumentar muito os custos.
No cérebro, as sinapses são fortalecidas ou enfraquecidas para controlar o fluxo de sinais e outras informações. Aqui, controlar o movimento dos prótons para afetar a condutância elétrica tem o mesmo efeito. É rápido, é confiável e pode operar em temperatura ambiente, tornando-o também mais prático.
“A velocidade certamente foi surpreendente”, diz Onen.
“Normalmente, não aplicaríamos campos tão extremos nos dispositivos, para não transformá-los em cinzas. Mas, em vez disso, os prótons acabaram se deslocando em velocidades imensas pela pilha de dispositivos, especificamente um milhão de vezes mais rápido em comparação com o que tínhamos antes.
“E esse movimento não danifica nada, graças ao pequeno tamanho e baixa massa dos prótons. É quase como se teletransportar.”
O enorme potencial aqui é para um treinamento de IA muito mais rápido usando menos energia. Para criar uma rede neural viável, os resistores seriam empilhados em matrizes estilo tabuleiro de xadrez, que podem ser operadas em paralelo para melhorar as velocidades.
Quanto ao próximo passo, os pesquisadores terão que pegar o que aprenderam sobre o desenvolvimento desse resistor e adaptá-lo para que possa ser produzido em maior escala. Isso não será fácil, mas a equipe está confiante de que pode ser feito.
O resultado final seria visto em sistemas de IA que assumem tarefas como identificar o que está nas imagens ou processar comandos de voz naturais.
Qualquer coisa em que a inteligência artificial tenha que aprender analisando grandes quantidades de dados pode ser aprimorada. Isso se estende a campos como carros autônomos e análise de imagens médicas.
Um estudo mais aprofundado permitirá que esses resistores sejam incorporados em sistemas reais e superem possíveis gargalos de desempenho que atualmente limitam a tensão que pode ser aplicada.
“O caminho a seguir ainda será muito desafiador, mas, ao mesmo tempo, muito empolgante”, diz o cientista da computação e autor do estudo Jesús del Alamo, do MIT.
Publicado em 15/08/2022 01h30
Artigo original:
Estudo original: