Pesquisadores usam Memristors para criar redes neurais mais eficientes em termos de energia

Um dos aspectos menos fascinantes da inteligência artificial é que muitas vezes requer uma grande quantidade de poder de processamento e, portanto, muitas vezes tem uma grande pegada de energia. Trabalhos recentes realizados por pesquisadores da UCL determinaram um método para melhorar a eficiência energética de uma IA.

As redes neurais e o aprendizado de máquina são ferramentas poderosas, mas os feitos mais impressionantes da inteligência artificial geralmente têm um grande custo de energia associado. Por exemplo, quando a OpenAI ensinou uma mão robótica a manipular um cubo de Rubik, estimou-se que o feito exigia cerca de 2.8 gigawatts-hora de eletricidade.

De acordo com a TechExplore, Pesquisadores da UCL desenvolveram um novo método de geração de redes neurais artificiais. O novo método utiliza memristores para gerar a rede, que são cerca de 1000 vezes mais eficientes em termos energéticos do que as redes criadas com abordagens tradicionais. Memristores são dispositivos que podem recuperar a quantidade de carga elétrica que passou por eles, preservando esse estado de memória depois de terem sido desligados. Isso significa que eles podem se lembrar de seu estado mesmo se um dispositivo perder energia. Embora os memristors tenham sido teorizados pela primeira vez há cerca de 50 anos, não foi até 2008 que um memristor real foi criado.

Os memristores são ocasionalmente referidos como dispositivos de computação “neuromórficos” ou dispositivos “inspirados no cérebro”. Memristors são semelhantes aos blocos de construção que o cérebro usa para processar informações e criar memórias. Eles são altamente eficientes em comparação com a maioria dos sistemas de computador modernos. Esses dispositivos memristores possuem aspectos de capacitores e resistores e, na última década, foram fabricados e usados ​​em uma variedade de dispositivos de memória. As equipes de pesquisa da UCL esperam que suas pesquisas ajudem esses dispositivos a serem usados ​​para criar sistemas de IA dentro de alguns anos.

Apesar de sua maior eficiência energética, os memristors são tradicionalmente muito menos eficientes do que as redes neurais comuns, mas os pesquisadores da UCL encontraram uma maneira de aumentar a precisão dos memristors. Os pesquisadores descobriram que, ao usar muitos memristores, eles podem ser divididos em vários subgrupos e, em seguida, seus cálculos são calculados juntos. A média dos cálculos ajuda as falhas nos subgrupos a cancelarem umas às outras e os padrões mais relevantes encontrados.

Dr. Adnan Mehonic e Ph.D. O aluno Dovydas Joksas (Engenharia Eletrônica e Elétrica da UCL) e seus coautores testaram essa abordagem de média em vários tipos de memristor e descobriram que a técnica parecia melhorar a precisão em todos os diferentes memristors testados, não apenas em um ou dois deles. As melhorias de precisão foram aplicadas a todos os grupos testados, independentemente do tipo de material do qual o memristor foi feito.

De acordo com o Dr. Mehonic, como citado por TechExplore:

“Esperávamos que houvesse abordagens mais genéricas que melhorassem não o nível do dispositivo, mas o comportamento do nível do sistema, e acreditamos ter encontrado uma. Nossa abordagem mostra que, quando se trata de memristores, várias cabeças são melhores do que uma. Organizar a rede neural em várias redes menores, em vez de uma grande rede, levou a uma maior precisão geral”.

A equipe de pesquisa ficou entusiasmada por ter usado uma técnica de ciência da computação e aplicada a memristores, também usando uma técnica comum de prevenção de erros (cálculos de média) para aumentar a precisão das redes neurais memristivas. O co-autor do estudo, Professor Tony Kenyon, da UCL Electronic & Electrical Engineering, acredita que os memristors poderiam “assumir um papel de liderança” na criação de dispositivos de computação de ponta e dispositivos de IoT com mais energia sustentável.

Os memristors não são apenas mais eficientes em termos de energia do que os modelos de rede neural tradicionais, mas também podem ser facilmente incluídos em um dispositivo móvel portátil. Prevê-se que isso seja de importância crescente no futuro próximo, à medida que mais dados são criados e transmitidos o tempo todo, embora seja difícil aumentar a capacidade de transmissão além de um certo ponto. Memristors podem ajudar a permitir a transferência de grandes volumes de dados por uma fração do custo de energia.