Rede neural integra DRAM a circuitos MoS₂ para adaptação cerebral
São Paulo — InkDesign News —
A evolução do machine learning e da inteligência artificial (AI) está impulsionando a necessidade de novos componentes de hardware que acelerem a análise de dados, reduzindo o consumo de energia. Pesquisadores da Universidade de Fudan desenvolveram um neurônio artificial que imita a adaptabilidade dos neurônios biológicos, visando aprimorar sistemas neuromórficos.
Contexto da pesquisa
Com o crescimento dos sistemas de AI, engenheiros têm buscado desenvolver hardware que imite a estrutura e o funcionamento do cérebro humano. O hardware neuromórfico usa componentes que replicam as funções das células cerebrais, conhecidas como neurônios artificiais, conectados entre si, mostrando adaptações nas conexões ao longo do tempo.
Método proposto
A equipe utilizou um semicondutor ultrafino conhecido como dissulfeto de molibdênio (MoS₂) combinado com memória dinâmica de acesso aleatório (DRAM) e circuitos inversores. “Nosso sistema neuromórfico que simula com precisão comportamentos neuronais diversos pode ser útil no desenvolvimento de inteligência na borda” (“Neuromorphic hardware that accurately simulates diverse neuronal behaviors could be of use in the development of edge intelligence.”)
— Yin Wang, Saifei Gou e colegas, Universidade de Fudan
Resultados e impacto
O neurônio artificial possui um sistema DRAM que armazena cargas elétricas, emulsionando a variação da carga elétrica que determina a ativação do neurônio. Os testes foram realizados em uma matriz 3×3 de neurônios, que adaptaram suas respostas a mudanças de luz, semelhante ao sistema visual humano. “Mostramos que um neurônio integrador pode ser criado combinando um DRAM e um inversor” (“… we show that an integrate-and-fire neuron can be created by combining a dynamic random-access memory and an inverter.”)
— Yin Wang, Saifei Gou e colegas, Universidade de Fudan
Os resultados demonstraram promissora eficiência energética na implementação de modelos de visão computacional e reconhecimento de imagens. Futuros desafios podem incluir a fabricação de sistemas de computação bioinspirados adicionais e testes em outras tarefas computacionais.
Fonte: (TechXplore – Machine Learning & AI)
