Ao longo da última década, muitos pesquisadores em todo o mundo têm tentado desenvolver sistemas de computador inspirados no cérebro, também conhecidos como ferramentas de computação neuromórfica. Atualmente, a maioria desses sistemas é usada para executar algoritmos de aprendizado profundo e outras ferramentas de inteligência artificial (IA).
Pesquisadores do Sandia National Laboratories realizaram recentemente um estudo avaliando o potencial das arquiteturas neuromórficas para realizar um tipo diferente de cálculos, ou seja, cálculos de passeio aleatório. São computações que envolvem uma sucessão de passos aleatórios no espaço matemático. As descobertas da equipe, publicadas na Nature Electronics, sugerem que as arquiteturas neuromórficas podem ser adequadas para implementar esses cálculos e, portanto, podem ir além dos aplicativos de aprendizado de máquina.
“A maioria dos estudos anteriores relacionados à computação neuromórfica se concentrava em aplicações cognitivas, como aprendizado profundo”, disse James Bradley Aimone, um dos pesquisadores que realizaram o estudo, ao TechXplore. “Embora também estejamos empolgados com essa direção, queríamos fazer uma pergunta diferente e complementar: a computação neuromórfica pode se destacar em tarefas matemáticas complexas que nossos cérebros não podem realmente resolver?”
A comunidade de ciência da computação até agora havia excluído a possibilidade de que sistemas de computador semelhantes ao cérebro tivessem um bom desempenho em tarefas matemáticas complexas. O estudo recente de Aimone e seus colegas mostra que, ao contrário das expectativas, esse pode ser o caso. Mais especificamente, a equipe descobriu que os chips também podem ser promissores para simular Cadeias de Markov de tempo discreto (ou seja, um renomado modelo de física) usando cálculos de passeio aleatório.
“Nós basicamente reconhecemos que o cérebro (e, portanto, a computação neuromórfica) tem um tipo diferente de arquitetura de computação paralela dos computadores convencionais”, explicou Aimone. “Quando analisamos os muitos tipos de problemas de computação científica, reconhecemos que os passeios aleatórios de Monte Carlo são uma classe particular de problema que poderia se encaixar naturalmente nas arquiteturas neuromórficas, se formos inteligentes em reformular a matemática do passeio aleatório para se adequar a essas plataformas”.
A equipe por trás do estudo recente inclui matemáticos, engenheiros de computação e Aimone, que é um neurocientista teórico. Combinando seus conhecimentos, os pesquisadores puderam examinar simulações de Monte Carlo, que até agora foram implementadas principalmente usando ferramentas de computação convencionais, no contexto da computação neuromórfica. Isso permitiu que eles demonstrassem o potencial das arquiteturas neuromórficas para completar uma renomada tarefa matemática complexa que pode ter uma ‘vantagem neuromórfica’.
Aimone e seus colegas mostraram que o hardware neuromórfico é mais eficiente em termos de energia do que outros sistemas, pois pode realizar mais cálculos de caminhada aleatória por Joule do que CPUs e GPUs convencionais. Além disso, embora os chips neuromórficos ainda sejam mais lentos do que as CPUs e GPUs existentes, a equipe descobriu que essa diferença de velocidade diminui à medida que os problemas ficam maiores e mais complexos.
“Dado que o hardware neuromórfico continua a melhorar em ritmo acelerado e sistemas maiores estarão disponíveis em breve, esperamos que essa vantagem continue a crescer para problemas maiores”, disse Aimone. “Existem muitas aplicações do mundo real que usam modelos de passeio aleatório de Monte Carlo como parte de sua carga de trabalho computacional, incluindo biologia computacional, ciência dos materiais, modelagem financeira e inteligência artificial. , tempo e custos financeiros.”
O hardware neuromórfico ainda está em seus estágios iniciais de desenvolvimento, mas eles devem se tornar gradualmente disponíveis e mais fáceis de programar. Quando isso acontecer, o estudo recente dessa equipe de pesquisadores poderá inspirar o uso de sistemas inspirados no cérebro para resolver problemas matemáticos com mais eficiência.
“Esperamos que nossas descobertas permitam que tarefas computacionais de caminhada aleatória sejam executadas de maneira muito mais barata e com maior eficiência energética do que são agora”, disse Aimone. “Isso, por sua vez, tornará a computação mais barata e mais amigável ao clima”.
O estudo recente de Aimone e seus colegas se concentrou principalmente em simulações diretas de caminhadas aleatórias, como aquelas que representam o processo de difusão. No futuro, no entanto, a equipe também gostaria de testar o potencial de chips neuromórficos para executar simulações de caminhada aleatória mais complexas.
“Nós hipotetizamos que a vantagem que vemos com a computação neuromórfica se tornará ainda mais pronunciada com passeios aleatórios mais complicados, mas precisamos explorar como simular física mais complexa com neurônios”, acrescentou Aimone. “Além disso, agora que reconhecemos que o hardware neuromórfico é adequado para aplicações de computação probabilística, como passeios aleatórios de Monte Carlo, estamos olhando para trás em que o cérebro pode usar a computação probabilística em sua arquitetura nativa para ideias potenciais em novos algoritmos para inteligência artificial inspirada no cérebro.”
Publicado em 15/03/2022 16h25
Artigo original:
Estudo original: