Uma rede neural pulsada inspirada no crebro e implantada em um microchip permitiu aos pesquisadores estabelecer as bases para o desenvolvimento de sistemas de computao de inteligncia artificial baseados em hardware mais eficientes.
A maior parte da inteligncia artificial hoje baseada em software, mas hardwares talhados para rodar seus algoritmos podem tornar tudo mais eficiente e mais rpido – pense, por exemplo, nos ganhos obtidos com os processadores grficos dedicados.
Indo alm do exemplo das placas grficas, porm, a ideia agora usar circuitos neuromrficos, que processam os dados de forma parecida com o que fazem os neurnios no nosso crebro.
S que isso exige uma outra mudana, um avano em relao s redes neurais artificiais usadas pelos algoritmos de inteligncia artificial.
“Uma rede neural artificial um modelo matemtico abstrato que tem pouca semelhana com sistemas nervosos reais e requer um poder de computao intensivo,” explica Wenzhe Guo, da Universidade de Cincia e Tecnologia Rei Abdullah, na Arbia Saudita. “Uma rede neural pulsada, por outro lado, construda e funciona da mesma maneira que o sistema nervoso biolgico e pode processar informaes de maneira mais rpida e eficiente em termos de energia.”
As redes neurais pulsadas emulam a estrutura do sistema nervoso, como uma rede de sinapses que transmitem informaes por meio de canais inicos na forma de potenciais de ao, ou picos. Esse comportamento orientado a eventos, implementado matematicamente como um “modelo de integrao e disparo com vazamento”, torna as redes neurais pulsadas muito eficientes, alm de permitir um grau de paralelizao que no pode ser obtido com a computao convencional.
Esquema da plataforma desenvolvida pela equipe.
[Imagem: Wenzhe Guo et al. – 10.1109/TNNLS.2021.3055421]
Crebro em um chip
O que a equipe fez agora foi colocar toda essa teoria na prtica, colocando tudo em um chip real.
“Usamos um microchip FPGA padro de baixo custo e implementamos um modelo de plasticidade dependente do tempo de disparo, que uma regra de aprendizagem biolgica descoberta em nosso crebro,” descreveu Guo.
O principal ganho confirmado pelo prottipo que este modelo biolgico no precisa de dados prvios, permitindo que o sistema de computao neuromrfico aprenda padres de dados do mundo real sem treinamento.
O “crebro em um chip” da equipe provou ser 20 vezes mais rpido e 200 vezes mais eficiente em termos de energia do que as plataformas atuais de rede neural.
“Nosso objetivo final construir um sistema de computao em hardware semelhante ao crebro, compacto, rpido e de baixo consumo de energia. A prxima etapa melhorar o design e otimizar o empacotamento, miniaturizar o chip e personaliz-lo para vrias aplicaes industriais por meio da colaboraes,” disse GuoBibliografia:
Artigo: Toward the optimal design and FPGA implementation of spiking neural networks
Autores: Wenzhe Guo, Hasan Erdem Yantir, Mohammed E. Fouda, Ahmed M. Eltawil, Khaled Nabil Salama
Revista: IEEE Transactions on Neural Networks and Learning Systems
DOI: 10.1109/TNNLS.2021.3055421
