A computação neuromórfica – um campo que aplica princípios das neurociências a sistemas computacionais para imitar a função e a estrutura do cérebro – precisa crescer se quiser competir com os métodos computacionais atuais. Em uma revisão publicada em 22 de janeiro na revista Nature 23 pesquisadores, incluindo dois da Universidade da Califórnia, San Diego, apresentam um roteiro detalhado do que precisa acontecer para atingir esse objetivo. O artigo oferece uma nova e prática perspectiva para se aproximar das capacidades cognitivas do cérebro humano em um fator de forma e consumo de energia comparáveis
“Não prevemos que haverá uma solução única para sistemas neuromórficos em larga escala, mas sim um conjunto de soluções de hardware neuromórfico com diferentes recursos, com base nos requisitos da aplicação”, escrevem os autores;
As aplicações para computação neuromórfica incluem computação científica, inteligência artificial, realidade aumentada e virtual, wearables, agricultura inteligente, cidades inteligentes e muito mais. Os chips neuromórficos têm o potencial de superar os computadores convencionais em termos de eficiência energética e de espaço, bem como de desempenho. Isso pode trazer benefícios significativos em áreas como IA, saúde e robótica. Com o consumo de energia da IA previsto para dobrar até 2026, a computação neuromórfica é uma solução promissora.
“A computação neuromórfica é particularmente relevante hoje, pois observamos a escalada insustentável de sistemas de IA que consomem muita energia e recursos”, disse Gert Cauwenberghs, Professor Distinto do Departamento de Bioengenharia Shu Chien-Gene Lay da UC San Diego e um dos coautores do estudo.
A computação neuromórfica está em um ponto crucial, de acordo com Dhireesha Kudithipudi, Cadeira de Doação Robert F. McDermott na Universidade do Texas San Antonio e autora correspondente do estudo. “Estamos agora em um ponto em que há uma enorme oportunidade para desenvolver novas arquiteturas e frameworks abertos que podem ser implantados em aplicações comerciais”, disse ela. “Acredito firmemente que promover uma colaboração estreita entre a indústria e a academia é a chave para moldar o futuro deste campo. Essa colaboração é refletida em nossa equipe de coautores.”
No ano passado, Cauwenberghs e Kudithipudi garantiram um subsídio de US$ 4 milhões da National Science Foundation para criar THOR: The Neuromorphic Commons, uma rede de pesquisa única que fornece acesso a hardware e ferramentas de computação neuromórfica abertos para apoiar a pesquisa interdisciplinar e colaborativa.
Em 2022, um chip neuromórfico desenvolvido por uma equipe liderada por Cauwenberghs demonstrou que esses chips podem ser muito dinâmicos e versáteis sem sacrificar a precisão e a eficiência. O chip NeuRRAM realiza cálculos diretamente na memória e pode executar uma variedade de aplicações de IA – tudo isso com uma fração do consumo de energia das plataformas de computação para cálculos gerais de IA. “Nosso artigo de revisão da Nature oferece uma perspectiva para futuras expansões de sistemas de IA neuromórfica em silício e tecnologias de chip emergentes para se aproximar tanto da escala massiva quanto da eficiência extrema da capacidade de autoaprendizagem do cérebro de mamíferos”, disse Cauwenberghs.
Para alcançar a escalabilidade de sistemas de computação neuromórfica, os autores propõem várias características-chave que precisam ser otimizadas, incluindo a parcimônia, uma característica crucial do cérebro humano. O cérebro se desenvolve formando inúmeras conexões neurais (densificação) antes de cortar seletivamente a maioria delas. Essa estratégia otimiza a eficiência espacial enquanto retém informações com alta precisão. Se emulada com sucesso, essa característica poderia permitir sistemas neuromórficos que são significativamente mais eficientes em termos de energia e compactos;
“A escalabilidade extensível e a eficiência superior surgem da paralelismo massivo e da estrutura hierárquica da representação neural, que combina conectividade sináptica local densa dentro dos núcleos neurosinápticos, modelados após a substância cinzenta do cérebro, com conectividade global esparsa na comunicação neural entre os núcleos, modelados após a substância branca do cérebro, possibilitada por conexões reconfiguráveis de alta largura de banda no chip e conexões estruturadas hierarquicamente entre chips”, disse Cauwenberghs.
Computação neuromórfica em escala | Nature
