Certas tarefas - como reconhecer padrões e linguagem - são executadas de forma altamente eficiente por um cérebro humano, exigindo apenas cerca de um décimo de milésimo da energia de um computador convencional chamado "von Neumann". Uma das razões está nas diferenças estruturais:em uma arquitetura von Neumann, há uma clara separação entre memória e processador, o que requer movimentação constante de grandes quantidades de dados. Isso consome tempo e energia – o chamado gargalo de von Neumann. No cérebro, a operação computacional ocorre diretamente na memória de dados e as sinapses biológicas realizam as tarefas de memória e processador ao mesmo tempo.
Em Forschungszentrum Jülich, os cientistas trabalham há mais de 15 anos em dispositivos e componentes especiais de armazenamento de dados que podem ter propriedades semelhantes às sinapses do cérebro humano. Os chamados dispositivos de memória memristiva, também conhecidos como memristores, são considerados extremamente rápidos e economizadores de energia, e podem ser miniaturizados muito bem até a faixa nanométrica. O funcionamento das células memristivas é baseado em um efeito muito especial:sua resistência elétrica não é constante, mas pode ser alterada e redefinida novamente aplicando uma tensão externa, teoricamente de forma contínua. A mudança na resistência é controlada pelo movimento dos íons de oxigênio. Se estes se moverem para fora da camada de óxido metálico semicondutor, o material torna-se mais condutor e a resistência elétrica diminui. Essa mudança na resistência pode ser usada para armazenar informações.

Os processos que podem ocorrer nas células são complexos e variam de acordo com o sistema material. Três pesquisadores do Jülich Peter Grünberg Institute—Prof. Regina Dittmann, Dr. Stephan Menzel e Prof. Rainer Waser – compilaram seus resultados de pesquisa em um artigo de revisão detalhado, "Fenômenos memristivos nanoiônicos em óxidos metálicos:o mecanismo de mudança de valência". Eles explicam em detalhes os vários efeitos físicos e químicos nos memristores e esclarecem a influência desses efeitos nas propriedades de comutação das células memristivas e sua confiabilidade.

"Se você olhar para as atuais atividades de pesquisa no campo de circuitos de memristor neuromórficos, muitas vezes são baseadas em abordagens empíricas para otimização de materiais", disse Rainer Waser, diretor do Instituto Peter Grünberg. "Nosso objetivo com nosso artigo de revisão é dar aos pesquisadores algo com que trabalhar para permitir a otimização de materiais orientada por insights." A equipe de autores trabalhou no artigo de aproximadamente 200 páginas por dez anos e, naturalmente, teve que continuar incorporando os avanços do conhecimento.

"O funcionamento análogo das células memristivas necessárias para seu uso como sinapses artificiais não é o caso normal. Normalmente, há saltos súbitos na resistência, gerados pela amplificação mútua do movimento iônico e do calor joule", explica Regina Dittmann, do Instituto Peter Grünberg . "Em nosso artigo de revisão, fornecemos aos pesquisadores a compreensão necessária de como alterar a dinâmica das células para permitir um modo de operação analógico".

"Você vê repetidamente que os grupos simulam seus circuitos de memristor com modelos que não levam em conta a alta dinâmica das células. Esses circuitos nunca funcionarão", disse Stephan Menzel, que lidera as atividades de modelagem no Instituto Peter Grünberg e desenvolveu modelos compactos poderosos que agora são de domínio público. "Em nosso artigo de revisão, fornecemos o básico que é extremamente útil para o uso correto de nossos modelos compactos."

Roteiro da computação neuromórfica

O "Roadmap of Neuromorphic Computing and Engineering", publicado em maio de 2022, mostra como a computação neuromórfica pode ajudar a reduzir o enorme consumo de energia da TI globalmente. Nele, pesquisadores do Instituto Peter Grünberg (PGI-7), juntamente com os principais especialistas da área, compilaram as diversas possibilidades tecnológicas, abordagens computacionais, algoritmos de aprendizagem e campos de aplicação.

De acordo com o estudo, aplicações no campo da inteligência artificial, como reconhecimento de padrões ou reconhecimento de fala, provavelmente se beneficiarão de maneira especial com o uso de hardware neuromórfico. Isso ocorre porque eles são baseados - muito mais do que as operações de computação numérica clássicas - no deslocamento de grandes quantidades de dados. As células memristivas tornam possível processar esses conjuntos de dados gigantescos diretamente na memória sem transportá-los entre o processador e a memória. Isso poderia reduzir a eficiência energética das redes neurais artificiais em ordens de magnitude.

As células memristivas também podem ser interconectadas para formar matrizes de alta densidade que permitem que as redes neurais aprendam localmente. Essa chamada computação de borda, portanto, transfere os cálculos do data center para o chão de fábrica, o veículo ou a casa de pessoas que precisam de cuidados. Assim, monitorar e controlar processos ou iniciar medidas de resgate podem ser feitos sem o envio de dados via nuvem.

"Isso permite duas coisas ao mesmo tempo:você economiza energia e, ao mesmo tempo, dados pessoais e dados relevantes para a segurança permanecem no local", diz o Prof. Dittmann, que desempenhou um papel fundamental na criação do roteiro como editor.

Os estudos associados foram publicados em Advances in Physics e Computação e Engenharia Neuromórfica . + Explorar mais

Dispositivo de memória neuromórfica simula neurônios e sinapses