p Treinar redes neurais para realizar tarefas, como reconhecer imagens ou navegar em carros autônomos, poderia um dia exigir menos poder de computação e hardware graças a um novo dispositivo de neurônio artificial desenvolvido por pesquisadores da Universidade da Califórnia em San Diego. O dispositivo pode executar cálculos de rede neural usando 100 a 1000 vezes menos energia e área do que o hardware baseado em CMOS existente. p Os pesquisadores relatam seu trabalho em um artigo publicado em 18 de março em Nature Nanotechnology .

p As redes neurais são uma série de camadas conectadas de neurônios artificiais, onde a saída de uma camada fornece a entrada para a próxima. A geração dessa entrada é feita aplicando-se um cálculo matemático denominado função de ativação não linear. Esta é uma parte crítica do funcionamento de uma rede neural. Mas a aplicação dessa função requer muito poder de computação e circuitos, porque envolve a transferência de dados para frente e para trás entre duas unidades separadas - a memória e um processador externo.

p Agora, Os pesquisadores da UC San Diego desenvolveram um dispositivo do tamanho de um nanômetro que pode realizar com eficiência a função de ativação.

p "Os cálculos de rede neural em hardware ficam cada vez mais ineficientes à medida que os modelos de rede neural ficam maiores e mais complexos, "disse Duygu Kuzum, professor de engenharia elétrica e de computação na Escola de Engenharia da UC San Diego Jacobs. "Nós desenvolvemos um dispositivo de neurônio artificial em nanoescala único que implementa esses cálculos em hardware de maneira eficiente em termos de área e energia."

p O novo estudo, liderada por Kuzum e seu Ph.D. estudante Sangheon Oh, foi realizada em colaboração com um Centro de Pesquisa de Fronteira de Energia do DOE liderado pelo professor de física Ivan Schuller da UC San Diego, que se concentra no desenvolvimento de implementações de hardware de redes neurais artificiais com baixo consumo de energia.

p O dispositivo implementa uma das funções de ativação mais comumente usadas no treinamento de rede neural, chamada de unidade linear retificada. O que há de especial nessa função é que ela precisa de hardware que pode sofrer uma mudança gradual na resistência para funcionar. E é exatamente para isso que os pesquisadores da UC San Diego projetaram seu dispositivo - ele pode mudar gradualmente de um estado de isolamento para um estado de condução, e faz isso com a ajuda de um pouco de calor.

p Essa opção é chamada de transição de Mott. Ocorre em uma camada de dióxido de vanádio de espessura nanométrica. Acima desta camada está um aquecedor de nanofios feito de titânio e ouro. Quando a corrente flui através do nanofio, a camada de dióxido de vanádio aquece lentamente, causando um lento, interruptor controlado de isolante para condutor.

p "Esta arquitetura de dispositivo é muito interessante e inovadora, "disse Oh, quem é o primeiro autor do estudo. Tipicamente, materiais em uma transição de Mott experimentam uma mudança abrupta de isolante para condutor porque a corrente flui diretamente através do material, ele explicou. "Nesse caso, fluímos a corrente através de um nanofio no topo do material para aquecê-lo e induzir uma mudança de resistência muito gradual. "

p Para implementar o dispositivo, os pesquisadores primeiro fabricaram uma série desses dispositivos chamados de ativação (ou neurônio), junto com uma matriz de dispositivo sináptico. Em seguida, eles integraram os dois arrays em uma placa de circuito impresso personalizada e os conectaram para criar uma versão de hardware de uma rede neural.

p Os pesquisadores usaram a rede para processar uma imagem - neste caso, uma foto da Biblioteca Geisel na UC San Diego. A rede executou um tipo de processamento de imagem chamado detecção de borda, que identifica os contornos ou bordas de objetos em uma imagem. Este experimento demonstrou que o sistema de hardware integrado pode realizar operações de convolução que são essenciais para muitos tipos de redes neurais profundas.

p Os pesquisadores afirmam que a tecnologia pode ser ampliada para realizar tarefas mais complexas, como reconhecimento facial e de objetos em carros autônomos. Com interesse e colaboração da indústria, isso poderia acontecer, observou Kuzum.

p "Agora mesmo, esta é uma prova de conceito, "Kuzum disse." É um sistema minúsculo no qual empilhamos apenas uma camada de sinapse com uma camada de ativação. Empilhando mais desses juntos, você poderia fazer um sistema mais complexo para diferentes aplicações. "