Pesquisadores da University of Cambridge desenvolvem material inovador que imita sinapses e otimiza energia para inteligência artificial
Nova tecnologia neuromórfica desenvolvida em Cambridge reduz em até 70% o consumo energético da inteligência artificial ao integrar memória e processamento.
Redução do consumo energético da ia com tecnologia neuromórfica
O consumo energético da IA tem aumentado cerca de 30% ao ano, tornando-se um desafio ambiental e tecnológico urgente. Em resposta, pesquisadores da University of Cambridge desenvolveram uma arquitetura de memristor que integra processamento e memória, inspirada no funcionamento do cérebro humano. Essa inovação promete reduzir o consumo energético da IA em até 70%, segundo o estudo publicado na revista Science Advances.
Funcionamento e inovação do memristor com óxido semicondutor avançado
O memristor criado utiliza um óxido de háfnio enriquecido com estrôncio e titânio que se auto-organiza internamente para controlar a corrente elétrica. Diferente dos memristores convencionais que criam e rompem filamentos condutores, este dispositivo altera sua resistência de forma gradual, deslocando uma barreira de energia, o que permite controle analógico preciso e reduz significativamente o consumo energético.
Impacto da eliminação do gargalo de Von Neumann na eficiência da ia
A arquitetura neuromórfica elimina o gargalo de Von Neumann, problema que surge da separação entre processador e memória em computadores tradicionais. Ao integrar esses elementos em um único componente, o memristor reduz a troca intensa de informações que gera desperdício energético. Isso é particularmente relevante em redes neurais com milhões de operações por segundo, ampliando o potencial de eficiência energética em sistemas de IA atuais.
Testes laboratoriais demonstram durabilidade e capacidade de aprendizagem do dispositivo
Em laboratório, o memristor mostrou não só baixo consumo energético, mas também alta durabilidade e capacidade de manter o que foi aprendido, características essenciais para funcionar como sinapse artificial. Essa capacidade analógica de aprendizado torna o hardware apto para aplicações que exijam adaptação contínua, aproximando o funcionamento de sistemas computacionais ao do cérebro humano.
Compatibilidade industrial e desafios para a adoção em larga escala
Além do desempenho técnico, o material é compatível com processos CMOS amplamente utilizados na indústria de semicondutores, facilitando sua futura incorporação na produção em massa. Contudo, o processo atual requer temperaturas em torno de 700 °C, superiores às toleradas pelas linhas padrão, o que representa um desafio que a equipe liderada por Babak Bakhit busca superar para viabilizar o uso comercial do dispositivo.
Perspectivas para a computação eficiente e sustentável com memristores
A proposta de memristores neuromórficos abre caminho para reduzir drasticamente o impacto ambiental dos sistemas de IA, que demandam cada vez mais energia. Com avanço nas técnicas de fabricação e adoção industrial, essa tecnologia poderá redefinir o design de hardware para aprendizado de máquina, promovendo eficiência energética e maior integração inspirada no cérebro humano.
Fonte: www.cnnbrasil.com.br
Fonte: Babak Bakhit no laboratório de deposição do Departamento de Engenharia de Cambridge, onde os memristores foram fabricados • Kasia Surowiecka/University of Cambr
