Rede neural desenvolve dispositivo supercondutor de alta velocidade
São Paulo — InkDesign News —
Pesquisadores da Universidade Nacional de Yokohama desenvolveram um dispositivo de neurônio supercondutor que melhora a eficiência de sistemas de machine learning, prometendo operações em alta velocidade e com baixo consumo de energia.
Contexto da pesquisa
A pesquisa sobre o dispositivo supercondutor foi publicada na revista Neuromorphic Computing and Engineering. O computação neuromórfica busca imitar o funcionamento do cérebro humano, o que pode transformar a maneira como sistemas de inteligência artificial (AI) operam.
Método proposto
A abordagem da equipe envolve o uso de circuitos supercondutores que aplicam o quantum de fluxo magnético como transportador de sinais. Eles introduzem um dispositivo de neurônio compactado que implementa a função de ativação Rectified Linear Unit (ReLU), que é crucial para resolver problemas típicos em modelos de aprendizado profundo, como a diminuição do gradiente.
“Este dispositivo de neurônio exibe características ideais de entrada e saída e resolve a questão da variação das características ao integrar neurônios.”
(“This neuron device exhibits ideal input-output characteristics and resolves the issue of characteristic variation when integrating neurons.”)— Yuki Yamanashi, Professor, Universidade Nacional de Yokohama
Resultados e impacto
O circuito demonstrou resiliência a variações de até 20% em parâmetros individuais sem perder a precisão de saída esperada. Isso representa um avanço significativo em relação aos dispositivos analógicos, que tendem a ser muito sensíveis a variações de características. A inovação pode contribuir para a implementação de redes neurais supercondutoras em larga escala, otimizando tanto a velocidade quanto a eficiência energética.
Com o potencial de melhorias na eficiência dos sistemas de AI, os próximos passos incluem a implementação de redes neurais supercondutoras em grande escala e a demonstração de sua capacidade de aprendizado. “Acreditamos que esse circuito pode trazer contribuições significativas para a computação neuromórfica de alto desempenho com circuitos supercondutores.”
Fonte: (TechXplore – Machine Learning & AI)
