A Inteligência Artificial é um assunto que está em alta, sendo amplamente discutida em todos os setores, principalmente no que diz respeito às redes neurais e aos modelos de linguagem que respondem perguntas diretas e estão sendo muito utilizados atualmente, como o Chat GPT, por exemplo.
Porém, o desempenho do software é limitado pelo hardware em que ele é executado. Os hardwares atuais não têm acompanhado o ritmo do desenvolvimento dos algoritmos de IA e a quantidade de dados que precisam ser processados, resultando em um gargalo que atrasa o progresso dos modelos e aplicações de Inteligência Artificial.
Em um estudo recente, publicado na Revista Nature (Thousands of conductance levels in memristors integrated on CMOS; Vol.: 615, pages 823-829), Mingyi Rao e sua equipe de pesquisadores da Universidade do Sul da Califórnia, estão trabalhando para superar esses desafios.
Neste artigo ele anunciam uma nova tecnologia de chip que promete ter a melhor memória de qualquer chip já produzido até hoje. Esse avanço permitirá que o processamento de dados seja mais rápido e eficiente, impulsionando assim, o progresso da inteligência artificial e de outras áreas relacionadas, derrubando uma série de barreiras e limitações ao longo do caminho.
Essa tecnologia inovadora está relacionada aos memoristores, que são componentes fundamentais da computação neuromórfica, assim como os transistores são os componentes básicos da computação eletrônica convencional. A diferença entre os dois é que os memoristores têm a capacidade de armazenar memória, enquanto os transistores não possuem essa capacidade.
![Memoristor de alta precisão para computação neuromórfica. [Imagem: Mingyi Rao et al.]](https://static.wixstatic.com/media/5c2c12_f750e2e907d749b9b4d8a6b2de9dfcca~mv2.png/v1/fill/w_624,h_688,al_c,q_90,enc_auto/5c2c12_f750e2e907d749b9b4d8a6b2de9dfcca~mv2.png)
Os memoristores são capazes de armazenar vários níveis de memória, o que supera as limitações da eletrônica digital atual e se aproxima mais da eletrônica analógica, que possui estados variáveis. Esse é um avanço significativo, que permitirá o desenvolvimento de tecnologias mais sofisticadas e eficientes para processamento de dados e inteligência artificial como um todo.
O uso de dispositivos memoristores em redes neurais tem o potencial para melhorar a eficiência e o rendimento de aplicativos de aprendizado de máquina e inteligência artificial, especialmente no campo da computação. Os memoristores são programáveis e podem armazenar informações ajustando seus níveis de condutância com base nesses dados, o que os torna ideais para armazenar pesos sinápticos em redes neurais. No entanto, para que essa abordagem seja prática, os memoristores precisam ter uma capacidade de programação de alta precisão, garantindo assim um desempenho preciso e uniforme em um grande número de redes.
De acordo com o artigo, esses chips totalmente integrados com 256 x 256 matrizes de memoristores foram desenvolvidos com 2.048 níveis de condutância, o que representa um aumento significativo em relação às limitações anteriores. Os pesquisadores identificaram a física propriamente, que limitava o número de níveis de condutância que poderiam ser alcançados, e com base nisso, desenvolveram protocolos de operação elétrica para superar essas limitações.
De maneira mais simples, a diferença entre a memória dos chips tradicionais e dos novos chips de memória atômica está na estabilidade dos dados. Os elétrons dos chips tradicionais são instáveis, enquanto os átomos dos novos chips são estáveis, o que significa que a memória não é perdida quando a energia é desligada.
Além disso, a computação nos novos chips pode ser feita no mesmo lugar em que os dados são armazenados, eliminando a necessidade de transferir dados de memória para um processador, o que torna os chips muito menores, sendo possível executar tarefas de IA em aparelhos portáteis em tempo real, sem a necessidade de muita energia.
Esse avanço tecnológico irá mudar o futuro da inteligência artificial como um todo, tornando-a mais eficiente em termos de energia, econômica e praticamente. Ao programar os pesos sinápticos obtidos do treinamento em nuvem diretamente em memoristores com capacidade de programação de alta precisão, as redes neurais poderão operar em velocidades muito mais rápidas com menos consumo de energia, podendo ser implantadas em uma gama muito maior de aplicações. A capacidade de ajustar os níveis de condutância é essencial, pois pode tornar os dispositivos memoristores mais adaptáveis a diferentes situações específicas, melhorando seu desempenho geral.
Um exemplo da aplicação dessa nova tecnologia é o próprio Chat GPT, como o próprio professor Joshua Yang, disse: "Para contextualizar, hoje o ChatGPT está sendo executado na nuvem. Esta inovação, seguida de algum desenvolvimento adicional, pode colocar o poder de uma mini versão do ChatGPT no dispositivo pessoal de todos. Isso poderia tornar essa tecnologia de alta potência mais acessível para todos os tipos de aplicações,".
Quer saber mais sobre Inovação e Tecnologia? Acesse já o nosso site!
Fonte:
Comments