A inteligência artificial (IA) e o pensamento humano podem operar com eletricidade, mas é aí que as semelhanças terminam. Enquanto a IA depende de circuitos de silício e metal, a cognição humana surge a partir de tecido vivo complexo. As diferenças fundamentais na arquitetura entre esses sistemas contribuem para a natureza ineficiente da IA.
Os modelos atuais de IA são executados em computadores convencionais, que armazenam e calculam informações em componentes separados, resultando em um alto consumo de energia. Na verdade, os centros de dados sozinhos respondem por uma parte significativa do consumo global de eletricidade. No entanto, os cientistas têm procurado desenvolver dispositivos e materiais que possam imitar a eficiência computacional do cérebro.
Agora, uma descoberta feita por uma equipe de pesquisadores liderada por Mark Hersam, da Universidade Northwestern, nos aproxima mais de alcançar esse objetivo. Eles redesenharam o transistor, o bloco de construção fundamental da circuitaria eletrônica, para funcionar mais como um neurônio. Ao integrar memória com processamento, esses novos transistores sinápticos de moiré reduzem o consumo de energia e permitem que os sistemas de IA vão além do simples reconhecimento de padrões.
Para realizar isso, os pesquisadores recorreram a materiais bidimensionais com arranjos atômicos únicos que criam padrões fascinantes chamados superestruturas de moiré. Esses materiais permitem um controle preciso do fluxo de corrente elétrica e podem armazenar dados sem a necessidade de uma fonte de energia contínua, devido às suas propriedades quânticas especiais.
Ao contrário de tentativas anteriores de transistores moiré, que apenas funcionavam em temperaturas extremamente baixas, esse novo dispositivo opera em temperatura ambiente e consome 20 vezes menos energia. Embora sua velocidade ainda precise ser totalmente testada, o design integrado sugere que ele será mais rápido e mais eficiente em termos energéticos do que a arquitetura de computação tradicional.
O objetivo final dessa pesquisa é tornar os modelos de IA mais semelhantes ao cérebro humano. Esses circuitos parecidos com o cérebro podem aprender com dados, estabelecer conexões, reconhecer padrões e fazer associações. Essa capacidade, conhecida como aprendizado associativo, é atualmente um desafio para os modelos de IA tradicionais, que possuem componentes de memória e processamento separados.
Ao utilizar a nova circuitaria parecida com o cérebro, os modelos de IA podem distinguir de maneira mais eficaz entre sinal e ruído, permitindo que eles realizem tarefas complexas. Por exemplo, em veículos autônomos, essa tecnologia pode ajudar os pilotos de IA a navegarem em condições de estrada desafiadoras e a diferenciarem entre obstáculos reais e objetos irrelevantes.
Embora ainda haja trabalho a ser feito no desenvolvimento de métodos de fabricação escaláveis para esses transistores neuromórficos, o potencial para sistemas de IA mais eficientes e poderosos é promissor. Ao unir a IA à cognição humana, essa pesquisa abre possibilidades empolgantes para o futuro da inteligência artificial.
Inteligência artificial (IA) refere-se à capacidade de máquinas ou sistemas de computador realizarem tarefas que normalmente exigem inteligência humana, como aprendizado, resolução de problemas e tomada de decisões.
Cognição humana refere-se aos processos mentais e habilidades que permitem aos seres humanos adquirir conhecimento, entender, perceber, pensar e comunicar.
Circuitaria de silício e metal refere-se aos materiais e componentes usados em computadores convencionais para processar e transmitir sinais elétricos.
Arquitetura, nesse contexto, refere-se à estrutura e organização de um sistema ou dispositivo.
Consumo de energia refere-se à quantidade de energia usada por um sistema ou dispositivo para realizar suas funções.
Centros de dados são instalações que abrigam sistemas e equipamentos de computador, incluindo servidores e armazenamento, com o objetivo de armazenar, processar e distribuir grandes quantidades de dados.
Superestruturas de moiré são padrões fascinantes criados pelos arranjos atômicos únicos de certos materiais bidimensionais.
Propriedades quânticas referem-se às propriedades e comportamentos da matéria e energia no nível atômico e subatômico, conforme descrito pelos princípios da mecânica quântica.
Reconhecimento de padrões refere-se à capacidade de um sistema ou dispositivo identificar e distinguir padrões ou características em dados.
Transistor é um bloco de construção fundamental da circuitaria eletrônica, responsável por controlar o fluxo de corrente elétrica e amplificar ou comutar sinais.
Memória, nesse contexto, refere-se à capacidade de um sistema ou dispositivo armazenar e recuperar informações.
Processamento refere-se à manipulação e computação de dados ou informações por um sistema ou dispositivo.
Aprendizado associativo refere-se à capacidade de um sistema ou dispositivo estabelecer conexões e associações entre diferentes conceitos ou dados.
Sinal e ruído refere-se à distinção entre informações significativas (sinal) e dados ou interferência irrelevante ou indesejada (ruído).
Métodos de fabricação escaláveis referem-se a processos e técnicas que podem ser facilmente expandidos ou adaptados para produzir quantidades maiores de um produto ou dispositivo.
Transistores neuromórficos são transistores projetados para imitar a arquitetura e funcionalidade dos neurônios no cérebro humano.
Link relacionado sugerido: Universidade Northwestern
The source of the article is from the blog elperiodicodearanjuez.es