Pesquisas recentes em machine learning revelam inovações que buscam mimetizar a plasticidade dos neurônios humanos. Um novo tipo de neuristor desenvolvido na KAIST pode moldar o futuro da inteligência artificial, trazendo aprimoramentos significativos na eficiência energética e capacidade de adaptação.
Contexto da pesquisa
A equipe da KAIST, liderada pelo Professor Kyung Min Kim, focou em como os neurônios do cérebro humano processam informações através de uma propriedade chamada plasticidade intrínseca. Essa capacidade adaptativa permite que os neurônios aumentem ou diminuam sua sensibilidade em resposta a estímulos repetitivos, um comportamento que se mostrou desafiador para os semiconductores de IA tradicionais replicarem.
Método proposto
O novo dispositivo, denominado neuristor com comutação de frequência, integra memristores voláteis e não voláteis para simular a plasticidade intrínseca. O memristor volátil reage rapidamente, retornando ao seu estado original, enquanto o não volátil armazena informações por longos períodos, permitindo à tecnologia controlar a frequência de disparo de um “neurônio” artificial.
Resultados e impacto
Em simulações realizadas com uma rede neural esparsa, o novo modelo atingiu um desempenho equivalente, mas com 27,7% menos consumo de energia em comparação às redes neurais convencionais. Além disso, o sistema demonstrou resiliência, reorganizando-se após danos em alguns neurônios.
“Essa tecnologia, que permite que os dispositivos lembrem seu próprio estado e se adaptem ou se recuperem mesmo após danos, pode servir como um componente chave em sistemas que exigem estabilidade a longo prazo, como computação em borda e direção autônoma.”
(“This technology, which enables devices to remember their own state and adapt or recover even from damage, can serve as a key component in systems requiring long-term stability, such as edge computing and autonomous driving.”)— Kyung Min Kim, Professor, KAIST
Com essas inovações, as perspectivas para aplicações futuras são vastas, particularmente em áreas onde a eficiência e a adaptação são cruciais.
Fonte: (TechXplore – Machine Learning & AI)
