Novo Dispositivo de Neurônio Artificial Pode Reduzir Consideravelmente os Requisitos de Energia para Cálculos Neurais

Pesquisadores da Universidade de San Diego desenvolveram um novo dispositivo de neurônio artificial que pode executar cálculos neurais com 100 a 1000 vezes menos energia e área do que o hardware baseado em CMOS atual.

O relatório recente foi publicado em um artigo em 18 de março na Nature Nanotechnology.

Para gerar a entrada para uma das camadas conectadas de neurônios artificiais em redes neurais, um cálculo matemático chamado de função de ativação não linear deve ser aplicado. No entanto, essa aplicação requer muito poder de processamento e circuitos devido à necessidade de transferir dados entre a memória e o processador externo.

Os pesquisadores da UC San Diego desenvolveram um novo dispositivo de nano-metros que pode realizar essa função de ativação de forma muito mais eficiente.

Duygu Kuzum é professora de engenharia elétrica e computacional na UC San Diego Jacobs School of Engineering.

“O cálculo de rede neural em hardware se torna cada vez mais ineficiente à medida que os modelos de rede neural se tornam maiores e mais complexos”, disse Kuzum. “Desenvolvemos um dispositivo de neurônio artificial de nano-escala que implementa esses cálculos em hardware de forma muito eficiente em termos de área e energia.”

O estudo foi liderado por Kuzum e pelo estudante de doutorado Shangheon Oh, e eles colaboraram com o professor de física da UC San Diego, Ivan Schuller, que lidera um Centro de Pesquisa de Fronteira de Energia do DOE. O centro está envolvido no desenvolvimento de implementações de hardware de redes neurais artificiais eficientes em energia.

O Novo Dispositivo

O dispositivo recém-desenvolvido depende de uma unidade de retificação linear, que é uma das funções de ativação mais comuns usadas no treinamento de redes neurais. Ele requer hardware que possa sofrer mudanças graduais na resistência, o que é o que os engenheiros visam. O dispositivo pode mudar gradualmente de um estado isolante para um estado condutor com uma pequena quantidade de calor.

Chamado de transição de Mott, essa mudança ocorre em uma camada extremamente fina de dióxido de vanádio, e acima dessa camada há um aquecedor de nanofio feito de titânio e ouro. A camada de dióxido de vanádio aquece lentamente quando a corrente flui pelo nanofio, e isso causa uma mudança lenta e controlada da resistência.

Oh é o primeiro autor do estudo.

“Essa arquitetura de dispositivo é muito interessante e inovadora”, disse Oh. “Nesse caso, fluímos corrente por um nanofio sobre o material para aquecê-lo e induzir uma mudança gradual de resistência.”

Implementando o Dispositivo

Para a implementação, a equipe fabricou uma matriz de dispositivos de ativação e uma matriz de dispositivos sinápticos, seguida da integração dos dois em uma placa de circuito impresso personalizada. Eles foram então conectados juntos, resultando em uma versão de hardware de uma rede neural.

A rede foi usada para processar uma imagem por meio da detecção de bordos, identificando os contornos e bordos dos objetos na imagem. O sistema de hardware integrado demonstrou sua capacidade de realizar operações de convolução que são importantes para vários tipos de redes neurais profundas.

“Agora, isso é um conceito de prova”, disse Kuzum. “É um sistema pequeno no qual apenas empilhamos uma camada de sinapse com uma camada de ativação. Empilhando mais desses juntos, você poderia criar um sistema mais complexo para diferentes aplicações.”