Um grupo de pesquisa do Politecnico di Milano desenvolveu um novo circuito de computação que pode executar operações avançadas, típico de redes neurais para inteligência artificial, em uma única operação.

O desempenho do circuito em termos de velocidade e consumo de energia abre caminho para uma nova geração de aceleradores de computação de inteligência artificial que são mais eficientes em termos de energia e mais sustentáveis ​​em escala global. O estudo foi publicado recentemente na prestigiosa Avanços da Ciência .

Reconhecendo um rosto ou objeto, ou interpretar corretamente uma palavra ou melodia são operações que hoje são possíveis nos aparelhos eletrônicos mais comuns, como smartphones e tablets, graças à inteligência artificial. Para que isso aconteça, redes neurais complicadas precisam ser devidamente treinadas, que é tão exigente energeticamente que, de acordo com alguns estudos, a pegada de carbono que deriva do treinamento de uma rede neural complexa pode ser igual à emissão de 5 carros ao longo de todo o seu ciclo de vida.

Para reduzir o tempo e o consumo de energia do treinamento, deve-se desenvolver circuitos que sejam radicalmente diferentes da abordagem convencional e que sejam capazes de imitar com mais precisão a estrutura das redes neurais e as características das sinapses biológicas. Um exemplo típico é o conceito de computação in-memory, onde os dados são processados ​​diretamente na memória, exatamente como no cérebro humano.

Com base nesta analogia, o grupo de pesquisa do Politecnico di Milano desenvolveu um novo circuito que pode executar uma função matemática conhecida como regressão em apenas uma operação. Para isso, eles usam uma memória resistiva, também conhecido como memristor, um dispositivo que pode memorizar qualquer dado (por exemplo o valor de uma ação em um determinado momento) no valor de sua resistência. Ao organizar esses elementos de memória em uma matriz com o tamanho de alguns micrômetros (alguns milionésimos de metro), o grupo do Politecnico di Milano conseguiu executar uma regressão linear em um grupo de dados.

Esta operação é capaz de determinar a linha reta que melhor descreve uma sequência de dados, permitindo, por exemplo, prever a tendência do mercado de ações com base em um modelo linear simples. Regressão logística, que permite a classificação de dados dentro de um banco de dados, também foi demonstrado. Esta função é essencial para os chamados sistemas de recomendação, que são ferramentas de marketing cruciais para compras online.