Rede neural de nanofios
Há alguns anos, a equipe da professora Zdenka Kuncic, da Universidade de Sydney, na Austrália, vem demonstrando como redes de nanofios aparentemente caóticas podem ser usadas como uma rede neural em hardware capaz de aprender e lembrar como o cérebro humano, levando a inteligência artificial para um novo patamar.
Agora, e é a primeira vez que isto é feito, a equipe demonstrou que uma rede neural física aprende e lembra “em tempo de voo”, de uma forma inspirada e semelhante ao modo como os neurônios do cérebro funcionam.
Isto abre caminho para o desenvolvimento de inteligência de máquina eficiente e de baixo consumo de energia para tarefas de aprendizagem e memória mais complexas do mundo real – em outras palavras, uma inteligência artificial em hardware, que não gaste a eletricidade de cidades inteiras, como acontece com a atual inteligência artificial em software.
“Os resultados demonstram como as funções de aprendizagem e
Neurônios e sinapses artificiais
As redes de nanofios são compostas de minúsculos fios, com apenas alguns bilionésimos de metro de diâmetro. Esses nanofios se distribuem em aglomerados que lembram o jogo “Pega Varetas”. Mas há padrões de organização
Neurônios e sinapses artificiais
As redes de nanofios são compostas de minúsculos fios, com apenas alguns bilionésimos de metro de diâmetro. Esses nanofios se distribuem em aglomerados que lembram o jogo “Pega Varetas”. Mas há padrões de organização
memória inspiradas no cérebro usando redes de nanofios podem ser aproveitadas para processar dados dinâmicos e contínuos,” disse o pesquisador Ruomin Zhu, responsável pelos experimentos.
nessa aparente bagunça, assim como os aglomerados de neurônios do nosso cérebro formam redes neurais altamente especializadas. E essas redes artificiais podem ser usadas para realizar tarefas específicas de processamento de informações.
Onde os nanofios se sobrepõem, eles formam componentes conhecidos como memoristores, ou memórias resistivas, que permitem a realização de tarefas de memória e aprendizagem usando algoritmos simples, que respondem a mudanças na resistência eletrônica dessas junções. Conhecida como “comutação de memória resistiva”, essa função é criada quando as entradas elétricas encontram mudanças na condutividade, semelhante ao que acontece com as sinapses em nosso cérebro.
Nesta nova demonstração, os pesquisadores usaram a rede para reconhecer e lembrar sequências de pulsos elétricos correspondentes a imagens. A avaliação do desempenho consistiu em aferir o reconhecimento pela rede neural de imagens geradas em tempo real, comparando cada uma com imagens de referência de um banco de dados de dígitos manuscritos, uma coleção de 70.000 pequenas imagens em escala de cinza usadas em aprendizado de máquina.
A diferença aqui em relação ao padrão mais usado em inteligência artificial, em que os dados são armazenados na memória e então usados para treinar a rede, é que a rede neural de nanofios fez isto em tempo real, sem depender do armazenamento das imagens que ela recebia.
“Se os dados estiverem sendo transmitidos continuamente, como seria o caso de um sensor, por exemplo, o aprendizado de máquina que dependesse de redes neurais artificiais precisaria ter a capacidade de se adaptar em tempo real, algo para o quê elas atualmente não estão otimizadas,” disse Zhu
Informática
Rede neural física aprende e lembra em tempo real, sem armazenamento
Redação do Site Inovação Tecnológica – 03/11/2023
Nessa aparente aleatoriedade digna do jogo Pega Varetas, cada cruzamento entre dois nanofios cria um componente neuromórfico chamado memoristor.
[Imagem: Ruomin Zhu et al. – 10.1038/s41467-023-42470-5]
https://googleads.g.doubleclick.net/pagead/ads?client=ca-pub-2892427223713195&output=html&h=600&slotname=1043048978&adk=780098170&adf=3551189305&pi=t.ma~as.1043048978&w=290&fwrn=4&fwrnh=100&lmt=1699190914&rafmt=1&format=290×600&url=https%3A%2F%2Fwww.inovacaotecnologica.com.br%2Fnoticias%2Fnoticia.php%3Fartigo%3Drede-neural-fisica-aprende-lembra-tempo-real-sem-armazenamento%26id%3D010150231103&fwr=0&fwrattr=true&rpe=1&resp_fmts=4&wgl=1&uach=WyJXaW5kb3dzIiwiMTAuMC4wIiwieDg2IiwiIiwiMTE5LjAuNjA0NS4xMDYiLFtdLDAsbnVsbCwiNjQiLFtbIkdvb2dsZSBDaHJvbWUiLCIxMTkuMC42MDQ1LjEwNiJdLFsiQ2hyb21pdW0iLCIxMTkuMC42MDQ1LjEwNiJdLFsiTm90P0FfQnJhbmQiLCIyNC4wLjAuMCJdXSwwXQ..&dt=1699190914313&bpp=9&bdt=85&idt=194&shv=r20231101&mjsv=m202310310101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dac8f1eb6ae7ed3ce%3AT%3D1699190907%3ART%3D1699190907%3AS%3DALNI_MZmT-vv0EDTlagG8Bau0gyom4EyYw&gpic=UID%3D00000cc7cc2b54f6%3AT%3D1699190907%3ART%3D1699190907%3AS%3DALNI_Ma7mZJfAzA5dRXz8MDk5_Hc-Cu0QQ&prev_fmts=0x0%2C193x600%2C191x600&nras=1&correlator=6210115805318&frm=20&pv=1&ga_vid=1837241802.1699190914&ga_sid=1699190914&ga_hid=1108117989&ga_fc=0&u_tz=120&u_his=4&u_h=900&u_w=1600&u_ah=860&u_aw=1600&u_cd=24&u_sd=1&dmc=4&adx=836&ady=923&biw=1583&bih=783&scr_x=0&scr_y=0&eid=44759875%2C44759926%2C31079190%2C31079193%2C31079232%2C31079405%2C44801484%2C44807048%2C44807335%2C44807455%2C44807462%2C31078301%2C44807753%2C31078663%2C31078665%2C31078668%2C31078670&oid=2&pvsid=261566447201246&tmod=548350297&uas=0&nvt=1&ref=https%3A%2F%2Fwww.inovacaotecnologica.com.br%2Fnoticias%2Finformatica_2023.html&fc=1920&brdim=0%2C0%2C0%2C0%2C1600%2C0%2C1600%2C860%2C1600%2C783&vis=1&rsz=%7C%7CleEbr%7C&abl=CS&pfx=0&fu=128&bc=31&td=1&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=4&uci=a!4&btvi=1&fsb=1&xpc=Eq6bU2Cnna&p=https%3A//www.inovacaotecnologica.com.br&dtd=202
Rede neural de nanofios
Há alguns anos, a equipe da professora Zdenka Kuncic, da Universidade de Sydney, na Austrália, vem demonstrando como redes de nanofios aparentemente caóticas podem ser usadas como uma rede neural em hardware capaz de aprender e lembrar como o cérebro humano, levando a inteligência artificial para um novo patamar.
Agora, e é a primeira vez que isto é feito, a equipe demonstrou que uma rede neural física aprende e lembra “em tempo de voo”, de uma forma inspirada e semelhante ao modo como os neurônios do cérebro funcionam.
Isto abre caminho para o desenvolvimento de inteligência de máquina eficiente e de baixo consumo de energia para tarefas de aprendizagem e memória mais complexas do mundo real – em outras palavras, uma inteligência artificial em hardware, que não gaste a eletricidade de cidades inteiras, como acontece com a atual inteligência artificial em software.
“Os resultados demonstram como as funções de aprendizagem e memória inspiradas no cérebro usando redes de nanofios podem ser aproveitadas para processar dados dinâmicos e contínuos,” disse o pesquisador Ruomin Zhu, responsável pelos experimentos.
Este é o chip de inteligência artificial em hardware, mostrando a conexão dos nanofios aos eletrodos por onde os dados são inseridos e lidos.
[Imagem: Ruomin Zhu et al. – 10.1038/s41467-023-42470-5]
Neurônios e sinapses artificiais
As redes de nanofios são compostas de minúsculos fios, com apenas alguns bilionésimos de metro de diâmetro. Esses nanofios se distribuem em aglomerados que lembram o jogo “Pega Varetas”. Mas há padrões de organização nessa aparente bagunça, assim como os aglomerados de neurônios do nosso cérebro formam redes neurais altamente especializadas. E essas redes artificiais podem ser usadas para realizar tarefas específicas de processamento de informações.
Onde os nanofios se sobrepõem, eles formam componentes conhecidos como memoristores, ou memórias resistivas, que permitem a realização de tarefas de memória e aprendizagem usando algoritmos simples, que respondem a mudanças na resistência eletrônica dessas junções. Conhecida como “comutação de memória resistiva”, essa função é criada quando as entradas elétricas encontram mudanças na condutividade, semelhante ao que acontece com as sinapses em nosso cérebro.
Nesta nova demonstração, os pesquisadores usaram a rede para reconhecer e lembrar sequências de pulsos elétricos correspondentes a imagens. A avaliação do desempenho consistiu em aferir o reconhecimento pela rede neural de imagens geradas em tempo real, comparando cada uma com imagens de referência de um banco de dados de dígitos manuscritos, uma coleção de 70.000 pequenas imagens em escala de cinza usadas em aprendizado de máquina.
A diferença aqui em relação ao padrão mais usado em inteligência artificial, em que os dados são armazenados na memória e então usados para treinar a rede, é que a rede neural de nanofios fez isto em tempo real, sem depender do armazenamento das imagens que ela recebia.
“Se os dados estiverem sendo transmitidos continuamente, como seria o caso de um sensor, por exemplo, o aprendizado de máquina que dependesse de redes neurais artificiais precisaria ter a capacidade de se adaptar em tempo real, algo para o quê elas atualmente não estão otimizadas,” disse Zhu.
O sistema aprende e lembra em tempo real, sem precisar de usar uma memória para guardar os dados.
[Imagem: Ruomin Zhu et al. – 10.1038/s41467-023-42470-5]
Aprendizado em tempo de voo
Extrair dados on-line, evitando assim uso pesado de memória e energia, é uma espécie de santo graal da inteligência artificial, e a rede neural de nanofios fez isto com grande eficiência.
Os testes mostraram uma capacidade de aprendizado de 93,4% na identificação correta das imagens de teste. A tarefa de memória envolvia um passo anterior, consistindo em recordar sequências de até oito dígitos, mais ou menos como lembrar um número de telefone. Para ambas as tarefas, os dados foram transmitidos para a rede para demonstrar a sua capacidade de aprendizagem em tempo real e para mostrar como a memória melhora essa aprendizagem.
“Nossa pesquisa anterior estabeleceu a capacidade das redes de nanofios de lembrar tarefas simples. Este trabalho ampliou estes resultados, mostrando que tarefas podem ser executadas usando dados dinâmicos acessados online,” disse a professora Kuncic. “Este é um avanço significativo, já que alcançar uma capacidade de aprendizagem on-line é um desafio ao lidar com grandes quantidades de dados, que podem estar em constante mudança. Uma abordagem padrão seria armazenar dados na memória e depois treinar um modelo de aprendizado de máquina usando essas informações armazenadas. Mas isso consumiria muita energia para uma aplicação generalizada.”
Direitos autorais:
Ruomin Zhu;
Sam Lilak;
Alon Loeffler;
Joseph Lizier;
Adam Stieg;
James Gimzewski;
Zdenka Kuncic;
Nelson Massango.