Plataforma de computação analógica amplia escalabilidade em AI

São Paulo — InkDesign News —

A pesquisa recente sobre machine learning e inteligência artificial revela um avanço significativo no desenvolvimento de plataformas de computação analógica, abordando limitações na escalabilidade de sistemas tradicionais.

Contexto da pesquisa

Os pesquisadores da Virginia Tech, Laboratório Nacional de Oak Ridge e Universidade do Texas em Dallas investigaram o potencial das computadoras analógicas, que representam dados como quantidades físicas contínuas, em contraste com as computadoras digitais que usam estados binários. O desafio enfrentado por esses sistemas é a dificuldade de escalabilidade devido ao comportamento variável dos componentes em grandes configurações.

Método proposto

A equipe introduziu uma nova abordagem chamada “synthetic domain”, que permite codificar informações em diferentes frequências dentro de um único dispositivo. Utilizando um dispositivo acústico não linear integrado em uma plataforma de niobato de lítio, essa técnica promete a execução eficiente de operações matemáticas, como multiplicações de matrizes. O modelo proporciona um canal para a implementação de redes neurais físicas (PNNs) em aplicações de inteligência artificial.

“Estou vendo vantagens nas redes neurais físicas, onde a estrutura ou comportamento do hardware físico implementa as funções de uma rede neural.”
(“I am seeing advantages of physical neural networks (PNNs), computing systems in which the structure or behavior of physical hardware implements a neural network’s functions.”)

— Linbo Shao, Autor Sênior, Virginia Tech

Resultados e impacto

O sistema de computação analógica baseado na abordagem proposta obteve um desempenho notável na tarefa de classificar dados em quatro categorias, alcançando uma precisão de 98,2%. Esse resultado demonstra a eficácia da co-concepção entre a rede neural e o dispositivo, reduzindo erros comuns nos sistemas analógicos que integram múltiplos dispositivos.

“A abordagem do domínio sintético pode ser aplicada a dispositivos emergentes. A co-concepção melhora significativamente a precisão em tarefas de classificação.”
(“The synthetic domain approach could be applied to more emerging devices, even if there are only a few devices available at early R&D stages.”)

— Linbo Shao, Autor Sênior, Virginia Tech

Os pesquisadores planejam escalar e aprimorar a plataforma para acomodar modelos maiores de redes neurais, visando ampliar a aplicação de arquiteturas de computação analógica para algoritmos de aprendizado de máquina sem comprometer seu desempenho.

Fonte: (TechXplore – Machine Learning & AI)