Esquema conceitual da implementação 3D de sinapses compostas construídas com memoristores de óxido de nitreto de boro (BNOx), além da matriz de barras cruzadas para aplicações de computação neuromórfica.[Imagem: Ivan Sanchez Esqueda]
Sinapse artificial atômica
As sinapses artificiais - os componentes de hardware projetados para rodar a inteligência artificial de forma otimizada - estão chegando às dimensões atômicas.
Em vez dos transistores dos processadores atuais, os circuitos neurais que imitam as sinapses do cérebro usam memoristores, que usam variações na resistência elétrica para armazenar informações e realizar cálculos.
Ocorre que a tecnologia atual de memoristores sofre de uma ampla variação na forma como os sinais são armazenados e lidos, tanto para diferentes tipos de memoristores quanto para diferentes peças fabricadas em cada lote. Para superar essa deficiência, vários memoristores são montados em paralelo. A saída combinada pode alcançar uma precisão até cinco vezes maior do que a dos componentes individuais, uma vantagem que aumenta à medida que os dispositivos se tornam mais complexos.
Para que essa junção de componentes não atue contra a miniaturização, já se sabia que seria necessário miniaturizar os memoristores em uma escala ainda mais agressiva do que o que tem sido feito com os transistores.
Foi o que fizeram Ivan Esqueda e seus colegas da Universidade do Sul Califórnia, nos EUA.
Memoristores atômicos
A equipe construiu um novo tipo de sinapse artificial composta - formada por vários memoristores individuais conectados em paralelo - na qual os componentes individuais alcançaram a escala atômica.
A sinapse composta foi construída com memoristores atomicamente finos de nitreto de boro, um material emergente que está sendo utilizado em várias abordagens alternativas para fazer cálculos computacionais, incluindo a construção de um transístor quântico.
"Tem havido muito interesse em usar novos tipos de materiais para memoristores. O que estamos mostrando é que os dispositivos filamentares podem funcionar bem para aplicações de computação neuromórfica quando construídos de novas maneiras inteligentes," disse Esqueda.
10.000 vezes menos energia
Os testes mostraram que os componentes executam a programação de peso sináptico e a multiplicação vetor-matriz, operações típicas das redes neurais, com ganhos significativos em relação aos memoristores construídos isoladamente e depois reunidos.
Além disso, os memoristores nativamente paralelos mostraram-se 10.000 vezes mais eficientes em termos energéticos do que os memoristores atualmente disponíveis.
Esqueda afirmou que o próximo passo será demonstrar o potencial das sinapses compostas em tarefas cada vez mais complexas, como o reconhecimento de imagens e de padrões.
Bibliografia:
Efficient learning and crossbar operations with atomically-thin 2-D material compound synapses
Ivan Sanchez Esqueda, Huan Zhao, Han Wang
Journal of Applied Physics
DOI: 10.1063/1.5042468
FONTE: SITE INOVAÇÃO TECNOLOGICA
Comentários
Postar um comentário