Sinapses artificiais avançam chips de AI com funções cerebrais
São Paulo — InkDesign News —
Pesquisadores de inteligência artificial estão avançando no desenvolvimento de sinapses artificiais que imitam o funcionamento do cérebro humano. Esses avanços na pesquisa sobre machine learning visam melhorar a eficiência do hardware de AI por meio de novos métodos de transporte iônico.
Contexto da pesquisa
A pesquisa foi conduzida pelo Dr. Eunho Lee, professor assistente de Engenharia Química e Biomolecular da Universidade Nacional de Ciência e Tecnologia de Seul, na Coreia do Sul. Ele lidera o Laboratório de Semicondutores Funcionais e Dispositivos, onde o foco é melhorar transistores orgânicos baseados em eletrólitos. Esta área é crucial para o avanço de dispositivos de IA de baixo consumo energético. Dr. Lee detalha seu trabalho na série Emerging Investigator do jornal Materials Horizons.
Método proposto
O método desenvolvido envolve a engenharia das cadeias laterais do polímero de forma a atrair e guiar os íons, como “manipuladores e pistas moleculares”, melhorando a eficiência na entrada e saída dos íons pelo canal polimérico. Isso é vital para a operação de dispositivos que utilizam tanto íons quanto elétrons para processar sinais.
“Nosso trabalho mostra uma maneira simples de tornar a próxima onda de hardware de IA mais eficiente ao aprimorar transistores orgânicos baseados em eletrólitos.”
(“Our research shows a simple way to make the next wave of AI hardware more efficient by improving electrolyte-based organic transistors.”)— Dr. Eunho Lee, Professor Assistente, Universidade Nacional de Ciência e Tecnologia de Seul
Resultados e impacto
Os transistores orgânicos baseados em eletrólitos podem funcionar como sinapses analógicas para coprocessadores de ultra-baixo consumo, com aplicações em dispositivos vestíveis, câmeras e nós de IoT. Essa abordagem também permite uma integração híbrida com CMOS, minimizando a movimentação de dados e a latência. No campo biológico, a operação suave e amigável aos íons é indicada para interfaces bioeletrônicas, sugerindo o desenvolvimento de sensores eletroquímicos que não apenas detectam biomarcadores, mas também classificam padrões localmente.
Em um horizonte de cinco anos, a pesquisa pode levar ao surgimento de dispositivos que aprendem localmente com baixa voltagem, prolongando a duração da bateria e garantindo maior privacidade. Na próxima década, esses princípios podem permitir interfaces humano-máquina mais eficazes e monitores ambientais, criando um impacto positivo tanto na área da saúde quanto em diagnósticos.
Fonte: (TechXplore – Machine Learning & AI)
