Crédito CC0:domínio público
Espaço. A fronteira final. E em 2 de novembro, 2018, A nave espacial Voyager 2 da NASA cruzou a vastidão do espaço interestelar, seguindo a Voyager 1, que deu o salto seis anos antes. Desde seu lançamento em 1977, as duas sondas viajaram mais de 11 bilhões de milhas através do sistema solar, durando muito mais tempo do que os cientistas previram.
Alimentado por plutônio e consumindo 400 watts de potência cada para operar seus eletrônicos e aquecimento, as sondas ainda tiram fotos e as enviam de volta para a NASA. Após 42 anos, no entanto, apenas seis dos 10 instrumentos da Voyager 2 ainda funcionam, e os cientistas da NASA esperam que a sonda ficará escura em 2025, bem antes de deixar nosso sistema solar.
Mas e se a Voyager 2 precisasse de apenas alguns watts de potência? Poderia sobreviver o suficiente para continuar suas explorações no futuro?
Esses são os tipos de perguntas que os cientistas estão fazendo no Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE). Aqui, Angel Yanguas-Gil, principal cientista de materiais na divisão de Materiais Aplicados, está liderando uma equipe interdisciplinar que está repensando o design de chips de computador para não apenas ter um melhor desempenho e se adaptar melhor, mas fazer isso usando uma quantidade minúscula de energia - cerca de um watt.
Para inspiração, a equipe está olhando para os cérebros dos insetos, como formigas, abelhas, e as moscas-das-frutas - que oferecem uma nova fronteira em um tipo de inteligência artificial conhecida como computação neuromórfica. O que eles descobriram pode transformar a inteligência artificial em sua cabeça artificial.
Esta equipe deu passos na física, ciência da computação e ciência dos materiais para projetar e testar um novo chip de computador que possa funcionar e se adaptar bem com uma quantidade minúscula de energia. Da esquerda para a direita:Anil Mane, Prasanna Balaprakash, Angel Yanguas-Gil, Sandeep Madireddy e Jeff Elam. Crédito:Laboratório Nacional de Argonne
Inspirado pela biologia, os chips de computador recém-projetados da equipe, que dependem de novos projetos e materiais, pode contornar a "nuvem" para aprender na hora, radicalmente conservar energia e se adaptar a ambientes extremos, como o espaço profundo e áreas radioativas - tudo isso ao mesmo tempo em que oferece confiabilidade, resultados precisos.
O ponto fraco da inteligência artificial
A inteligência artificial permeia nossas vidas, fornecendo inúmeros benefícios, como alimentar assistentes digitais ativados por voz, guiando carros autônomos, reconhecendo nossos rostos, e nos ajudando a responder automaticamente a textos e e-mails. AI, Contudo, tem algumas limitações:ele depende de resmas de dados e hardware cada vez mais rápido - ao qual deve estar sempre conectado - exige uma grande quantidade de energia e tem flexibilidade limitada.
Como a inteligência artificial é inflexível? A resposta está em como uma forma popular de IA, chamada de rede neural, identifica arranjos significativos nos dados. A maioria das redes neurais, que revela padrões e relacionamentos em dados sem programação explícita, são estáticos, projetado para uma tarefa específica, como o reconhecimento de imagens. Depois que uma rede aprende essa tarefa, ele não pode mudar de marcha e começar a dirigir um carro.
"A cena muda, a distribuição de dados é ligeiramente diferente de antes, e o que você aprendeu não se aplica mais, "explicou Sandeep Madireddy, um cientista da computação na divisão de Matemática e Ciência da Computação (MCS) da Argonne, que se juntou à equipe de Yanguas-Gil.
Insetos, por outro lado, são versáteis e podem resolver problemas de maneiras diferentes, disse Yanguas-Gil.
"Em um sistema biológico, a rede pode aprender por si mesma e oferece um grau muito maior de flexibilidade, ", disse ele." A pressão evolutiva sobre os insetos produz uma produção muito eficiente, máquinas de computação adaptativas. Abelhas, por exemplo, exibem metade do número de comportamentos cognitivos distintos dos golfinhos, apenas em um volume muito menor. "
Preciso sob pressão
Para provar este ponto, Os químicos de Yanguas-Gil e Argonne, Jeff Elam e Anil Mane, projetaram e simularam um novo chip neuromórfico inspirado na minúscula estrutura cerebral das abelhas, moscas da fruta e formigas. A equipe criou uma rede do zero que contém duas descobertas essenciais:
O teste do novo design do chip revelou que ele era tão preciso quanto o design padrão, mas aprendeu muito mais rapidamente e manteve sua precisão - mesmo com taxas de erro abaixo de 60 por cento em sua operação interna.
"Com redes neurais, taxas de erro de 20 por cento corroem a precisão do sistema, "disse Yanguas-Gil." Nosso sistema pode tolerar taxas de erro muito maiores e manter a mesma precisão de um sistema perfeito. Isso o torna um bom candidato para máquinas que passam 30 anos no espaço. "
Com esses resultados, a equipe ganhou o prêmio de melhor artigo em agosto na Conferência de Computação Espacial da Computer Society de 2019 do Instituto de Engenheiros Elétricos e Eletrônicos (IEEE).
Construindo a mente coletiva
Depois que sua equipe desenvolveu o projeto do chip neuromórfico, Yanguas-Gil alistou Madireddy e Prasanna Balaprakash, também cientista da computação na divisão MCS do laboratório, e aproveitou as poderosas ferramentas de computação da Argonne para maximizar seu desempenho.
Usando o supercomputador Theta no Argonne Leadership Computing Facility - um DOE Office of Science User Facility - a dupla executou o projeto neuromórfico por meio de um pacote de software que desenvolveram chamado DeepHyper, que realiza aprendizado de máquina automatizado para redes neurais. O DeepHyper testa milhares de configurações diferentes do cérebro de insetos, gerando melhores variações até que identifique a correta para uma determinada tarefa.
Com cada conjunto de configurações, O DeepHyper aprende - avaliando e gerando o próximo conjunto de configurações com base no que viu. "Funciona quase da mesma maneira que os humanos aprendem a jogar, "disse Balaprakash." Você joga, você obtém uma pontuação, e então - com base no feedback e em seus erros - você fica cada vez melhor e melhor. "
Em um cenário de produção, todo esse aprendizado será codificado no chip neuromórfico, e o próprio chip será capaz de se adaptar, mudando de marcha para resolver cada tipo de tarefa.
Como mudar o jogo
Esses avanços são apenas o começo. Assim que Yanguas-Gil e sua equipe descobrirem o design de chip de melhor desempenho, eles devem concordar sobre seus melhores usos. Felizmente, parece haver uma demanda infinita por um chip que combine inteligência de computador - exatamente onde ela é necessária - com baixos requisitos de energia.
E se, por exemplo, cientistas poderiam colocar sensores de baixa potência em florestas nacionais para atuar como um alerta para incêndios florestais?
Tanto Yanguas-Gil quanto Balaprakash também apontam para áreas urbanas, onde o chip pode monitorar para potenciais produtos químicos perigosos. Argonne, em parceria com a Universidade de Chicago e a cidade de Chicago, já instalou 120 dispositivos de detecção inteligente em toda a cidade para medir fatores como a qualidade do ar, tráfego e clima - um projeto financiado pela National Science Foundation conhecido como Array of Things.
Esses dispositivos inteligentes usam a plataforma de tecnologia Waggle da Argonne, que incluem dispositivos de computação de alto desempenho programáveis remotamente para que os recursos de IA possam ser incorporados aos sensores. Desta maneira, por exemplo, a análise de imagens pode fornecer percepções sobre a quantidade e o caráter das atividades nas ruas e até mesmo das interações humanas. Em um sentido real, esses dispositivos podem usar técnicas de IA para "aprender" sobre seus ambientes, a fim de detectar eventos ou padrões novos ou incomuns.
"Imagine se esses sensores pudessem aprender em tempo real e detectar gases venenosos?" perguntou Balaprakash.
Em teoria, Yanguas-Gil concorda que os chips neuromórficos poderiam atuar como espectrômetros de massa para aprender em tempo real a reconhecer diferentes fragmentos de moléculas sem serem explicitamente programados. "Isso seria uma virada de jogo, " ele disse.
