Pesquisadores Usam Memristores Para Criar Redes Neurais Mais Eficientes Em Termos de Energia

Uma das aspectos menos glamorosos da inteligência artificial é que ela frequentemente requer uma grande quantidade de poder de processamento e, portanto, tem um grande impacto energético. Trabalho recente realizado por pesquisadores da UCL determinou um método para melhorar a eficiência energética de uma IA.

Redes neurais e aprendizado de máquina são ferramentas poderosas, mas os feitos mais impressionantes de inteligência artificial geralmente têm um grande custo energético associado a eles. Por exemplo, quando a OpenAI ensinou uma mão robótica a manipular um cubo de Rubik, foi estimado que o feito requeria cerca de 2,8 gigawatt-horas de eletricidade.

De acordo com o TechExplore, pesquisadores da UCL projetaram 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 de energia do que as redes criadas com abordagens tradicionais. Memristores são dispositivos que podem lembrar a quantidade de carga elétrica que fluiu por eles, preservando esse estado de memória após terem sido desligados. Isso significa que eles podem lembrar de seu estado mesmo se um dispositivo perder energia. Embora os memristores tenham sido teorizados há cerca de 50 anos, não foi até 2008 que um memristor real foi criado.

Memristores são ocasionalmente referidos como dispositivos de computação “neuromórficos” ou “inspirados no cérebro”. Memristores 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, ao longo da última década ou mais, têm sido fabricados e usados em uma variedade de dispositivos de memória. A equipe de pesquisa da UCL espera que sua pesquisa ajude esses dispositivos a serem usados para criar sistemas de IA dentro de alguns anos.

Apesar de sua maior eficiência energética, os memristores são tradicionalmente muito menos eficientes do que as redes neurais regulares, mas os pesquisadores da UCL encontraram uma maneira de aumentar a precisão dos memristores. Os pesquisadores descobriram que, ao usar muitos memristores, eles poderiam ser divididos em múltiplos subgrupos e, em seguida, suas calculações serem averageadas juntas. A averageação das calculações ajuda a cancelar os defeitos nos subgrupos e a encontrar os padrões mais relevantes.

O Dr. Adnan Mehonic e o estudante de doutorado Dovydas Joksas (ambos da Engenharia Eletrônica e Elétrica da UCL) e seus co-autores testaram essa abordagem de averageação em vários tipos de memristores e descobriram que a técnica parecia melhorar a precisão em todos os diferentes memristores testados, não apenas um ou dois deles. As melhorias de precisão se aplicaram a todos os grupos testados, independentemente do tipo de material do qual o memristor era feito.

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

“Esperávamos que pudesse haver abordagens mais genéricas que melhorem não o nível do dispositivo, mas o comportamento do nível do sistema, e acreditamos que encontramos uma. Nossa abordagem mostra que, quando se trata de memristores, vários cérebros são melhores do que um. Organizar a rede neural em várias redes menores em vez de uma rede grande levou a uma maior precisão geral.”

A equipe de pesquisa ficou animada por ter aplicado uma técnica de ciência da computação e aplicada a memristores, também usando uma técnica comum de evasão de erros (averageação de calculações) para aumentar a precisão das redes neurais memristivas. O co-autor do estudo, Professor Tony Kenyon, da Engenharia Eletrônica e Elétrica da UCL, acredita que os memristores poderiam “desempenhar um papel de liderança” na criação de dispositivos de computação de borda e dispositivos IoT mais sustentáveis em termos de energia.

Os memristores 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. Isso é previsto como sendo de crescente importância no futuro próximo, à medida que mais dados são criados e transmitidos o tempo todo, mesmo que seja difícil aumentar a capacidade de transmissão além de um certo ponto. Os memristores poderiam ajudar a permitir a transferência de grandes volumes de dados a uma fração do custo energético.