Sistema de computação experimental semelhante ao cérebro mais preciso com algoritmo personalizado

Prévia do material em texto

1/3
Sistema de computação experimental semelhante ao cérebro
mais preciso com algoritmo personalizado
A nova tecnologia de plataforma modelada após o cérebro é composta de uma rede de fios
emaranhados contendo prata, colocada em uma cama de eletrodos.
Um sistema de computação experimental modelou fisicamente após o cérebro biológico “aprender” a
identificar números manuscritos com uma precisão geral de 93,4%. A principal inovação no experimento
foi um novo algoritmo de treinamento que deu ao sistema informações contínuas sobre seu sucesso na
tarefa em tempo real enquanto aprendia.
O algoritmo superou uma abordagem convencional de aprendizado de máquina na qual o treinamento
foi realizado após o processamento de um lote de dados, produzindo 91,4% de acurácia. Os
pesquisadores também mostraram que a memória de entradas passadas armazenadas no próprio
sistema melhorou o aprendizado. Por outro lado, outras abordagens de computação armazenam
memória dentro de software ou hardware separados do processador de um dispositivo.
FUNDAMENTO DE CONTA
2/3
Por 15 anos, pesquisadores do Instituto NanoSystems da Califórnia na UCLA, ou CNSI, têm
desenvolvido uma nova tecnologia de plataforma para computação. A tecnologia é um sistema inspirado
no cérebro composto por uma rede de fios emaranhados contendo prata, colocado em uma cama de
eletrodos. O sistema recebe entrada e produz saída através de pulsos de eletricidade. Os fios individuais
são tão pequenos que seu diâmetro é medido em nanoescala, em bilionésimos de metro.
Os “cérebros de prata” são muito diferentes dos computadores de hoje, que contêm memória separada e
módulos de processamento feitos de átomos cujas posições não mudam à medida que os elétrons fluem
através deles. Em contraste, a rede de nanofios se reconfigura fisicamente em resposta ao estímulo,
com memória baseada em sua estrutura atômica e se espalha por todo o sistema. Onde os fios se
sobrepõem, as conexões podem se formar ou quebrar – análogas ao comportamento das sinapses no
cérebro biológico, onde os neurônios se comunicam uns com os outros.
Colaboradores da pesquisa, na Universidade de Sydney, desenvolveram um algoritmo simplificado para
fornecer entrada e interpretação de saída. O algoritmo é personalizado para explorar a capacidade do
sistema de mudar dinamicamente e processar vários fluxos de dados simultaneamente.
MÉTODO
O sistema cerebral era composto de um material contendo prata e selênio, que foi permitido se auto-
organizar em uma rede de nanofios emaranhados em cima de uma matriz de 16 eletrodos. Os cientistas
treinaram e testaram a rede de nanofios usando imagens de números manuscritos, um conjunto de
dados criado pelo Instituto Nacional de Padrões e Tecnologia e frequentemente usados para
benchmarking de sistemas de aprendizado de máquina. As imagens foram comunicadas ao sistema
pixel por pixel usando pulsos de eletricidade cada um com duração de um milésimo de segundo, com
diferentes tensões representando pixels claros ou escuros.
IMPACT (IPAO)
Ainda em desenvolvimento, espera-se que a rede de nanofios exija muito menos energia do que os
sistemas de inteligência artificial baseados em silício para executar tarefas semelhantes. A rede também
mostra uma promessa em tarefas que a IA atual luta para realizar: entender dados complexos, como
padrões climáticos, tráfego e outros sistemas que mudam com o tempo. Para isso, a IA de hoje requer
enormes quantidades de dados de treinamento e gastos de energia extremamente altos.
Com o tipo de co-design usado neste estudo – hardware e software desenvolvidos em conjunto – as
redes de nanofios podem, em última análise, servir a um papel complementar ao lado de dispositivos
eletrônicos baseados em silício. A memória semelhante ao cérebro e o processamento incorporados em
sistemas físicos capazes de adaptação e aprendizagem contínuas podem ser particularmente
adequados à chamada “computação de ponta”, que processa dados complexos no local sem exigir
comunicação com servidores distantes. Os usos potenciais incluem robótica, navegação autônoma em
máquinas como veículos e drones, e a tecnologia de dispositivos inteligentes que compõem a Internet
das Coisas, bem como monitoramento de saúde e coordenação de medições de sensores em vários
locais.
AUTORAS
https://cnsi.ucla.edu/
3/3
Os autores correspondentes do estudo são James Gimzewski, um distinto professor de química da
UCLA e membro do CNSI; Adam Stieg, um cientista pesquisador de pesquisa da UCLA e diretor
associado do CNSI; Zdenka Kuncic, professor de física na Universidade de Sydney; e Ruomin Zhu, um
estudante de doutorado da Universidade de Sydney que também é primeiro autor. Outros co-autores são
Sam Lilak, que recebeu seu doutorado da UCLA em 2022; e Alon Loeffler e Joseph Lizier, da
Universidade de Sydney.
JORNAL
O estudo foi publicado na Nature Communications.
FUNDO A FUNDO
O estudo foi apoiado pela Universidade de Sydney e pela Comissão Australiana-Americana Fulbright.
https://www.nature.com/articles/s41467-023-42470-5