Muitas vezes acreditamos que os computadores são mais eficientes que os humanos. Afinal, os computadores podem completar uma equação matemática complexa num instante e também podem lembrar o nome daquele ator que sempre esquecemos. No entanto, os cérebros humanos podem processar camadas complicadas de informação com rapidez, precisão e quase nenhum consumo de energia:reconhecer um rosto depois de vê-lo apenas uma vez ou saber instantaneamente a diferença entre uma montanha e o oceano.



Essas tarefas humanas simples exigem enorme processamento e entrada de energia dos computadores e, mesmo assim, com vários graus de precisão.

A criação de computadores semelhantes a cérebros com requisitos mínimos de energia revolucionaria quase todos os aspectos da vida moderna. Materiais Quânticos para Computação Neuromórfica com Eficiência Energética (Q-MEEN-C) - um consórcio nacional liderado pela Universidade da Califórnia em San Diego - tem estado na vanguarda desta pesquisa.

O professor assistente de física da UC San Diego, Alex Frañó, é codiretor do Q-MEEN-C e pensa no trabalho do centro em fases. Na primeira fase, ele trabalhou em estreita colaboração com o presidente emérito da Universidade da Califórnia e professor de física Robert Dynes, bem como com o professor de engenharia da Rutgers, Shriram Ramanathan. Juntas, suas equipes conseguiram encontrar maneiras de criar ou imitar as propriedades de um único elemento cerebral (como um neurônio ou sinapse) em um material quântico.

Agora, na fase dois, nova pesquisa do Q-MEEN-C, publicada em Nano Letters , mostra que estímulos elétricos passados ​​entre eletrodos vizinhos também podem afetar eletrodos não vizinhos. Conhecida como não-localidade, esta descoberta é um marco crucial na jornada em direção a novos tipos de dispositivos que imitam funções cerebrais conhecidas como computação neuromórfica.

“No cérebro, entende-se que essas interações não locais são nominais – acontecem com frequência e com esforço mínimo”, afirmou Frañó, um dos coautores do artigo. “É uma parte crucial do funcionamento do cérebro, mas comportamentos semelhantes replicados em materiais sintéticos são escassos”.

Tal como muitos projetos de investigação que agora estão a dar frutos, a ideia de testar se a não localidade em materiais quânticos era possível surgiu durante a pandemia. Os espaços físicos do laboratório foram fechados, então a equipe realizou cálculos em matrizes que continham vários dispositivos para imitar os múltiplos neurônios e sinapses no cérebro. Ao realizar esses testes, eles descobriram que a não localidade era teoricamente possível.

Quando os laboratórios reabriram, eles refinaram ainda mais essa ideia e contrataram o professor associado da Escola de Engenharia Jacobs da UC San Diego, Duygu Kuzum, cujo trabalho em engenharia elétrica e de computação os ajudou a transformar uma simulação em um dispositivo real.

Isso envolveu pegar uma fina película de níquel – uma cerâmica de “material quântico” que exibe ricas propriedades eletrônicas – inserir íons de hidrogênio e, em seguida, colocar um condutor de metal no topo. Um fio é preso ao metal para que um sinal elétrico possa ser enviado ao níquel. O sinal faz com que os átomos de hidrogénio semelhantes a gel se movam para uma determinada configuração e quando o sinal é removido, a nova configuração permanece.

“É essencialmente assim que se parece uma memória”, afirmou Frañó. "O dispositivo lembra que você perturbou o material. Agora você pode ajustar para onde esses íons vão para criar caminhos que sejam mais condutores e mais fáceis para a eletricidade fluir."

Tradicionalmente, a criação de redes que transportam eletricidade suficiente para alimentar algo como um computador portátil requer circuitos complicados com pontos de ligação contínuos, o que é ao mesmo tempo ineficiente e dispendioso. O conceito de design do Q-MEEN-C é muito mais simples porque o comportamento não local no experimento significa que todos os fios de um circuito não precisam estar conectados uns aos outros. Pense em uma teia de aranha, onde o movimento de uma parte pode ser sentido em toda a teia.

Isto é análogo à forma como o cérebro aprende:não de forma linear, mas em camadas complexas. Cada aprendizagem cria conexões em múltiplas áreas do cérebro, permitindo-nos diferenciar não apenas árvores de cães, mas um carvalho de uma palmeira ou um golden retriever de um poodle.

Até o momento, essas tarefas de reconhecimento de padrões que o cérebro executa tão bem só podem ser simuladas por meio de software de computador. Programas de IA como ChatGPT e Bard usam algoritmos complexos para imitar atividades cerebrais, como pensar e escrever. E eles fazem isso muito bem. Mas sem hardware correspondentemente avançado para suportá-lo, em algum momento o software atingirá seu limite.

Frañó está ansioso por uma revolução de hardware paralela à que está acontecendo atualmente com o software, e mostrar que é possível reproduzir comportamento não local em um material sintético aproxima os cientistas um passo mais perto. A próxima etapa envolverá a criação de matrizes mais complexas com mais eletrodos em configurações mais elaboradas.

“Este é um passo muito importante nas nossas tentativas de compreender e simular funções cerebrais”, disse Dynes, que também é co-autor. "Mostrar um sistema que tem interações não locais nos leva ainda mais na direção de como nossos cérebros pensam. Nossos cérebros são, é claro, muito mais complicados do que isso, mas um sistema físico capaz de aprender deve ser altamente interativo e isso é um primeiro passo necessário. Podemos agora pensar numa coerência de longo alcance no espaço e no tempo."

“É amplamente sabido que para que esta tecnologia realmente exploda, precisamos encontrar formas de melhorar o hardware – uma máquina física que possa realizar a tarefa em conjunto com o software”, afirmou Frañó. “A próxima fase será aquela em que criaremos máquinas eficientes cujas propriedades físicas são as que fazem o aprendizado. Isso nos dará um novo paradigma no mundo da inteligência artificial.”

Mais informações: Ravindra Singh Bisht et al, Spatial Interactions in Hydrogenated Perovskite Nickelate Synaptic Networks, Nano Letters (2023). DOI:10.1021/acs.nanolett.3c02076
Informações do diário: Nanoletras

Fornecido pela Universidade da Califórnia - San Diego