Os sistemas de inteligência artificial atuais dependem de chips de computador convencionais que transferem dados constantemente entre a memória e as unidades de processamento. Este movimento contínuo consome enormes quantidades de electricidade, e a procura global está a crescer rapidamente à medida que a IA se expande para diversos sectores.
A computação neuromórfica, inspirada no cérebro humano, é uma alternativa que poderá reduzir o consumo de energia até 70%, armazenando e processando informação no mesmo local com um consumo de energia extremamente baixo. Além disso, este tipo de sistema seria muito mais adaptável, de forma semelhante à forma como o cérebro humano aprende e se adapta.
“O consumo de energia é um dos principais desafios para o hardware de IA atual”, disse o autor principal, Dr. Babak Bakhit, do Departamento de Ciência dos Materiais e Metalurgia de Cambridge. “Para ultrapassar isto, são necessários dispositivos com correntes extremamente baixas, elevada estabilidade, uniformidade excecional e a capacidade de alternar entre múltiplos estados”.
A maioria dos memristores atuais depende da formação de minúsculos filamentos condutores no interior dos materiais de óxido metálico. No entanto, estes filamentos são imprevisíveis e requerem tensões elevadas, limitando a sua utilização em sistemas de computação e armazenamento de grande escala.
A equipa de Cambridge criou um novo tipo de filme fino à base de háfnio que alterna entre estados de forma diferente. Ao adicionar estrôncio e titânio e ao utilizar um método de crescimento em duas fases, conseguiram formar minúsculas “portas de eletrões”, ou junções pn, dentro do óxido. Isto permite que o dispositivo modifique a sua resistência suavemente, ajustando uma barreira de energia, em vez de depender de filamentos.
Segundo Bakhit, este mecanismo resolve um dos maiores problemas desta tecnologia: o comportamento aleatório. Os seus dispositivos exibem uma uniformidade excecional entre ciclos e dispositivos.
Os investigadores conseguiram correntes de comutação aproximadamente um milhão de vezes mais baixas do que nos dispositivos convencionais, além de centenas de níveis de condutância estáveis, cruciais para a computação analógica em memória.
Os testes mostraram que os dispositivos podem suportar dezenas de milhares de ciclos e manter o seu estado durante cerca de um dia. Também replicaram regras de aprendizagem biológica, como a plasticidade dependente do tempo de ativação.
Ainda assim, persistem desafios, como as elevadas temperaturas de fabrico (cerca de 700 °C), superiores às normalmente utilizadas na indústria. A equipa está a trabalhar na redução destas temperaturas para facilitar a integração em chips.
Apesar disso, os investigadores acreditam que esta tecnologia pode revolucionar o hardware de IA graças ao seu baixo consumo de energia e alto desempenho.
