O que é computação neuromórfica?
A computação neuromórfica, também conhecida como engenharia neuromórfica, é uma abordagem da computação que imita a maneira como o cérebro humano funciona. Ela envolve projetar hardware e software que simulem as estruturas e funções neurais e sinápticas do cérebro para processar informações.
A computação neuromórfica pode parecer um campo novo, mas suas origens remontam à década de 1980. Foi a década em que Misha Mahowald e Carver Mead desenvolveram a primeira retina e cóclea de silício e os primeiros neurônios e sinapses de silício que iniciaram o paradigma da computação neuromórfica.1
Hoje, à medida que os sistemas de inteligência artificial (IA) crescem, eles precisarão de hardwares e softwares de última geração. A computação neuromórfica pode atuar como um acelerador de crescimento para a IA, fazer avançar a computação de alto desempenho e servir como um dos elementos constituintes da superinteligência artificial. Já existem até mesmo experimentos em andamento para combinar a computação neuromórfica com a computação quântica. 2
A computação neuromórfica foi citada pela empresa de consultoria de gestão Gartner como uma das principais tecnologias emergentes para as empresas.3 Da mesma forma, a empresa de serviços profissionais PwC observa que a computação neuromórfica é uma tecnologia essencial para as organizações explorarem, pois está progredindo rapidamente, mas ainda não está madura o suficiente para se tornar popular.4
As últimas notícias e insights sobre IA
Descubra insights selecionados por especialistas e notícias sobre IA, nuvem e outros assuntos no boletim informativo semanal Think.
Como a computação neuromórfica se inspira no cérebro humano, ela pega emprestados fortemente da biologia e da neurociência.
De acordo com o Queensland Brain Institute, os neurônios "são as unidades fundamentais do cérebro e do sistema nervoso".5 Como mensageiros, essas células nervosas retransmitem informações entre diferentes áreas do cérebro e para outras partes do corpo. Quando um neurônio se torna ativo ou "dispara", ele desencadeia a liberação de sinais químicos e elétricos que viajam através de uma rede de pontos de conexão chamadas sinapses, permitindo que os neurônios se comuniquem entre si.6
Esses mecanismos neurológicos e biológicos são modelados em sistemas de computação neuromórfica por meio de redes neurais disparadas (SNNs). Uma rede neural disparada é um tipo de rede neural artificial composta de neurônios e sinapses disparados.
Esses neurônios disparados armazenam e processam dados de forma semelhante aos neurônios biológicos, com cada neurônio tendo seus próprios valores de carga, atraso e limite. As sinapses criam caminhos entre os neurônios e também têm valores de atraso e peso associados a elas. Esses valores (cargas neuronais, atrasos neuronais e sinápticos, limites neuronais e pesos sinápticos) podem ser programados dentro de sistemas de computação neuromórfica.7
Na arquitetura neuromórfica, as sinapses são representadas como dispositivos sinápticos baseados em transistores, empregando circuitos para transmitir sinais elétricos. As sinapses geralmente incluem um componente de aprendizado, alterando seus valores de peso ao longo do tempo de acordo com a atividade dentro da rede neural disparada.7
Ao contrário das redes neurais convencionais, as SNNs consideram o tempo em sua operações. O valor da carga de um neurônio se acumula ao longo do tempo e, quando essa carga atinge o valor do limite associado ao neurônio, ele dispara, propagando informações ao longo de sua rede sináptica. Mas se o valor da carga não ultrapassar o limite, ela se dissipa e acaba "vazando". Além disso, os SNNs são orientados por eventos, com valores de atraso de neurônios e sinapses que permitem a disseminação assíncrona de informações.7
Nas últimas décadas, muitos avanços na computação neuromórfica surgiram na forma de hardware neuromórfico.
No meio acadêmico, uma das primeiras implementações incluiu a Neurogrid da Stanford University cujo sistema multichip misto analógico-digital pode “simular um milhão de neurônios com bilhões de conexões sinápticas em tempo real”.8 Enquanto isso, o centro de pesquisa IMEC criou um chip neuromórfico de autoaprendizado.9
Órgãos governamentais também apoiaram esforços de pesquisa neuromórfica. O Projeto Cérebro Humano da União Europeia, por exemplo, foi uma iniciativa de 10 anos que terminou em 2023 e visava entender melhor o cérebro, encontrar novos tratamentos para doenças cerebrais e desenvolver novas tecnologias de computação inspiradas no cérebro.
Essas tecnologias incluem as máquinas neuromórficas de larga escala SpiNNaker e BrainScaleS. O SpiNNaker é executado em tempo real em chips digitais de vários núcleos, com uma rede baseada em pacotes para otimização da troca de disparos. O BrainScaleS é uma máquina acelerada que emula modelos eletrônicos analógicos de neurônios e sinapses. Ele tem um sistema de chip em escala de wafer de primeira geração (chamado BrainScaleS-1) e um sistema de chip único de segunda geração (chamado BrainScaleS-2).10
Dentro do setor de tecnologia, processadores neuromórficos incluem o Loihi da Intel, o NeuronFlow da GrAI Matter Labs e os chips neuromórficos TrueNorth e NorthPole de última geração da IBM.
A maioria dos dispositivos neuromórficos é feita de silício e utiliza a tecnologia CMOS (semicondutor de óxido de metal complementar). Mas os pesquisadores também estão analisando novos tipos de materiais, como materiais ferroelétricos e de mudança de fase. Elementos de memória eletrônica não volátil chamados memristores (uma combinação de "memória" e "resistor") são outro módulo para realizar a colocalização de memória e processamento de dados em neurônios disparados.
No domínio do software, o desenvolvimento de algoritmos de treinamento e aprendizado para computação neuromórfica envolve técnicas que são de aprendizado de máquina e que não são de aprendizado de máquina. Aqui estão algumas delas:7
Para realizar a inferência, as redes neurais profundas pré-treinadas podem ser convertidas em redes neurais disparadas usando estratégias de mapeamento, como normalização de pesos ou funções de ativação. Uma rede neural profunda também pode ser treinada de forma que seus neurônios sejam ativados como neurônios disparados.
Esses algoritmos bioinspirados empregam princípios da evolução biológica, como mutação, reprodução e seleção. Algoritmos evolutivos podem ser usados para projetar ou treinar SNNs, alterando e otimizando seus parâmetros (atrasos e limites, por exemplo) e estrutura (o número de neurônios e o método de ligação via sinapses, por exemplo) com o passar do tempo.
Redes neurais disparadas se prestam bem a uma representação gráfica, com uma rede neural assumindo a forma de um gráfico direcionado. Quando um dos nós no gráfico dispara, o momento em que os outros nós também disparam coincide com a duração do caminho mais curto a partir do nó de origem.
Na neurociência, a neuroplasticidade refere-se à capacidade do cérebro humano e do sistema nervoso de modificar suas vias neurais e sinapses em resposta a uma lesão. Na arquitetura neuromórfica, a plasticidade sináptica normalmente é implementada por meio da plasticidade dependente dos tempos de disparo. Essa operação ajusta os pesos das sinapses de acordo com os tempos de disparo relativos dos neurônios.
A computação de reservatório, baseada em redes neurais recorrentes, usa um "reservatório" para lançar entradas em um espaço computacional de dimensão superior, com um mecanismo de leitura treinado para ler a saída do reservatório.
Na computação neuromórfica, os sinais de entrada são enviados a uma rede neural disparada, que atua como reservatório. O SNN não é treinado; em vez disso, ele se baseia nas conexões recorrentes em sua rede, juntamente com os atrasos sinápticos, para mapear entradas em um espaço computacional de dimensão mais alta.
Os sistemas neuromórficos têm muita promessa computacional. Aqui estão alguns dos potenciais benefícios que esse tipo de arquitetura de computação oferece:
Capacidade de adaptação
Como uma tecnologia inspirada no cérebro, a computação neuromórfica também envolve a noção de plasticidade. Os dispositivos neuromórficos são projetados para aprendizado em tempo real, adaptando-se continuamente a estímulos em evolução na forma de entradas e parâmetros. Isso significa que eles podem se destacar na resolução de novos problemas.
Eficiência energética
Como mencionado anteriormente, os sistemas neuromórficos são baseados em eventos, com neurônios e sinapses processando em resposta a outros neurônios disparados. Como resultado, somente o segmento que está computando disparos consome potência, enquanto o restante da rede permanece ocioso. Isso leva a um consumo de energia mais eficiente.
Alto desempenho
A maioria dos computadores modernos, também conhecidos como computadores de von Neumann, tem unidades centrais de processamento e unidades de memória separadas, e a transferência de dados entre essas unidades pode causar um gargalo que afeta a velocidade. Por outro lado, os sistemas de computação neuromórfica armazenam e processam dados em neurônios individuais, resultando em menor latência e computação mais rápida em comparação com a arquitetura de von Neumann.
Processamento paralelo
Devido à natureza assíncrona de um SNN, neurônios individuais podem realizar diferentes operações simultaneamente. Então, teoricamente, os dispositivos neuromórficos podem executar tantas tarefas quantos neurônios em um determinado momento. Dessa forma, as arquiteturas neuromórficas têm imensos recursos de processamento paralelo, o que lhes permite concluir funções rapidamente.
A computação neuromórfica ainda é um campo emergente. E, como qualquer tecnologia em seus estágios iniciais, os sistemas neuromórficos enfrentam alguns desafios:
Precisão reduzida
O processo de conversão de redes neurais profundas em redes neurais disparadas pode causar uma queda na precisão. Além disso, os memristores usados no hardware neuromórfico podem ter variações de ciclo a ciclo e de dispositivo que podem afetar a precisão, bem como limites para os valores de peso sináptico que podem reduzir a precisão.7
Falta de benchmarks e normas
Como uma tecnologia um tanto nascente, a computação neuromórfica tem uma escassez de normas quando se trata de arquitetura, hardware e software. Os sistemas neuromórficos também não têm benchmarks claramente definidos e estabelecidos, conjuntos de dados de amostra, tarefas de teste e métricas e, por isso, torna-se difícil avaliar o desempenho e comprovar a eficácia.
Acessibilidade e software limitados
A maioria das abordagens algorítmicas para a computação neuromórfica ainda emprega software projetado para hardware de Von Neumann, o que pode limitar os resultados ao que a arquitetura de Von Neumann pode alcançar. Enquanto isso, APIs (interfaces de programação de aplicativos), modelos de programação e linguagens de programação para sistemas neuromórficos ainda não foram desenvolvidos ou disponibilizados de forma mais ampla.
Curva de aprendizado íngreme
A computação neuromórfica é um domínio complexo, abrangendo disciplinas como biologia, ciência da computação, engenharia eletrônica, matemática, neurociência e física. Isso dificulta a compreensão fora de um laboratório acadêmico especializado em pesquisa neuromórfica.
As aplicações reais atuais para sistemas neuromórficos são escassas, mas o paradigma da computação possivelmente pode ser aplicado nestes casos de uso:
Devido ao seu alto desempenho e ganhos de ordens de magnitude em eficiência energética, a computação neuromórfica pode ajudar a melhorar as habilidades de navegação de um veículo autônomo, permitindo uma correção de curso mais rápida e melhor prevenção de colisões, ao mesmo tempo em que reduz as emissões de energia.
Os sistemas neuromórficos podem ajudar a detectar padrões ou atividades incomuns que podem significar ataques cibernéticos ou violações. E essas ameaças podem ser frustradas rapidamente devido à baixa latência e à computação rápida dos dispositivos neuromórficos.
As características da arquitetura neuromórfica a tornam adequada para IA de borda. Seu baixo consumo de energia pode ajudar com a curta vida útil da bateria de dispositivos como smartphones e vestíveis, enquanto sua adaptabilidade e natureza orientada a eventos se encaixam nos métodos de processamento de informações de sensores remotos, drones e outros dispositivos de Internet das coisas (IoT).
Devido aos amplos recursos de processamento paralelo, a computação neuromórfica pode ser usada em aplicações de aprendizado de máquina para reconhecer padrões em linguagem natural e fala, analisar imagens médicas e processar sinais de imagens de varreduras cerebrais fMRI e testes de eletroencefalograma (EEG), que medem a atividade elétrica no cérebro .
Como uma tecnologia adaptável, a computação neuromórfica pode ser usada para aprimorar as habilidades de aprendizado e tomada de decisões em tempo real de um robô, ajudando-o a reconhecer melhor os objetos, navegar pelos complexos layouts da fábrica e operar mais rapidamente em uma linha de montagem.
Treine, valide, ajuste e implemente recursos de IA generativa, modelos de base e recursos de aprendizado de máquina com o IBM watsonx.ai, um estúdio empresarial de última geração para construtores de IA. Crie aplicações de IA em uma fração do tempo com uma fração dos dados.
Use a IA a serviço de sua empresa com a experiência e o portfólio de soluções líder do setor da IBM à sua disposição.
Reinvente os fluxos de trabalho e operações críticos adicionando IA para maximizar experiências, tomadas de decisão em tempo real e valor de negócios.
Recursos
Notas de rodapé
1 Carver Mead Earns Lifetime Contribution Award for Neuromorphic Engineering, Caltech, 7 May 2024.
2 Neuromorphic Quantum Computing, Quromorphic, acessado em 21 de junho de 2024.
3 30 Emerging Technologies That Will Guide Your Business Decisions, Gartner, 12 de fevereiro de 2024.
4 The new Essential Eight technologies: what you need to know, PwC, 15 de novembro de 2023.
5 What is a neuron?, Queensland Brain Institute, acessado em 21 de junho de 2024.
6 Action potentials and synapses, Queensland Brain Institute, acessado em 21 de junho de 2024.
7 Opportunities for neuromorphic computing algorithms and applications, Nature, 31 de janeiro de 2022.
8 Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations, IEEE, 24 de abril de 2014.
9 IMEC demonstrates self-learning neuromorphic chip that composes music, IMEC, 16 de maio de 2017.
10 Neuromorphic computing, Human Brain Project, acessado em 21 de junho de 2024.