Três hastes de alumínio, ultrassom e... um pouco de mel: físicos descobrem como fazer IA aprender gastando muito menos energia

A busca por sistemas de Inteligência Artificial (IA) mais eficientes e com menor consumo de energia tem levado cientistas a explorar abordagens inovadoras. Uma pesquisa recente apresenta um método promissor que se afasta dos tradicionais transistores e chips eletrônicos, utilizando um dispositivo surpreendentemente simples: três hastes de alumínio, ondas ultrassônicas e uma fina camada de mel. Este dispositivo, que não possui nenhum transistor, demonstrou a capacidade de classificar flores com precisão superior a muitas redes neurais convencionais, abrindo caminho para o que chamam de computação neuromórfica acústica.

A computação neuromórfica visa replicar os princípios de funcionamento do cérebro humano em microcircuitos. Em vez de mover dados constantemente entre processador e memória, como nos computadores tradicionais, os sistemas neuromórficos buscam armazenar e processar informações nos mesmos elementos. Essa arquitetura tem o potencial de reduzir drasticamente o consumo de energia em sistemas de IA. No entanto, os dispositivos neuromórficos atuais enfrentam um desafio significativo: a complexidade de suas conexões ainda está muito aquém da vasta rede de sinapses encontrada no cérebro biológico. Um único neurônio humano pode ter milhares de sinapses, permitindo que ele processe múltiplas informações e ajuste suas respostas com base no contexto. Em contraste, a maioria dos dispositivos neuromórficos artificiais é muito mais simplificada, onde cada elemento pode representar apenas uma sinapse artificial. Para alcançar a conectividade de um neurônio biológico, seria necessário interligar um grande número de componentes individuais, resultando em sistemas complexos, de alto consumo energético e difíceis de gerenciar e fabricar.

A nova abordagem proposta pelos pesquisadores oferece uma alternativa engenhosa. Em vez de depender exclusivamente da eletrônica, o sistema integra ondas sonoras. Eles criaram um 'sinapse acústico' onde a informação é codificada na fase das ondas ultrassônicas. A fase de uma onda indica sua posição em um ciclo de oscilação, permitindo que um 'bit de fase' (ou 'phi-bit') represente múltiplos parâmetros simultaneamente dentro de um único espaço físico. É importante notar que este sistema não é um computador quântico; ele opera em um regime clássico, mas o comportamento das ondas emite semelhanças com a lógica quântica, onde múltiplas possibilidades coexistem e são processadas em paralelo. Essa característica é valiosa para o hardware neuromórfico, pois permite a combinação de diversos atributos sem a necessidade de uma rede complexa de nós eletrônicos.

O protótipo em si é notavelmente simples em sua concepção. Consiste em três hastes de alumínio, cada uma com aproximadamente 60 centímetros de comprimento e 1,25 centímetros de diâmetro, unidas por um adesivo epóxi. Transmissores e receptores ultrassônicos são fixados nas extremidades, com uma fina camada de mel utilizada para garantir o contato. Os transmissores emitem ondas sonoras nas hastes, que interagem umas com as outras através das junções. Os receptores, então, captam o sinal acústico resultante. Através dessas ondas, os pesquisadores codificaram um fluxo de dados, incluindo imagens e suas legendas. O meio acústico não apenas transmite o sinal, mas as interações das ondas transformam a informação antes de sua leitura final, de maneira análoga a como uma sinapse biológica modifica a força da conexão entre neurônios. Esse princípio é particularmente vantajoso para tarefas de reconhecimento de padrões, análise de dados sensoriais e processamento de atributos que necessitam ser combinados de múltiplas fontes.

A plasticidade é uma capacidade chave do sinapse acústico. Na biologia, a plasticidade sináptica refere-se à capacidade das conexões neurais de se fortalecerem ou enfraquecerem com o tempo, o que é fundamental para a formação de memórias. No novo dispositivo, a fase dos phi-bits pode ser ajustada para que a conexão acústica se comporte de maneira semelhante, fortalecendo certas respostas e enfraquecendo outras, permitindo que o sistema aprenda gradualmente para uma tarefa específica. Em experimentos, os pesquisadores testaram o sinapse acústico topológico em conjunto com três neurônios digitais. A acústica topológica foca em como direcionar ondas sonoras por caminhos específicos com mínima perda de energia. Nesse sistema, as interações das ondas ajudam a organizar os dados antecipadamente, resultando em um sinal mais preparado para a parte digital. Para validar o sistema, foi utilizada a tarefa clássica de classificação de íris, onde o objetivo é categorizar 150 flores em um de três tipos com base em um conjunto de características mensuradas. O dispositivo acústico, simulando uma única sinapse, alcançou uma precisão de 96,7% utilizando apenas 39 parâmetros. A precisão máxima foi atingida 20% mais rápido do que um modelo de rede neural convencional, como um perceptron multicamadas. Para obter um resultado comparável, um perceptron eletrônico exigiria nove neurônios e mais parâmetros.

Os autores também avaliaram o consumo de energia, estimando que o novo dispositivo consome não mais que um décimo da potência em comparação com o hardware neuromórfico eletrônico moderno. Para futuras aplicações de IA, essa economia de energia pode ser mais significativa do que a demonstração em um pequeno conjunto de dados. Quanto mais um modelo transfere o processamento para a dinâmica física da onda, menor é a energia gasta em transferências eletrônicas, comutações e armazenamento de estados intermediários. A abordagem acústica também é interessante por sua capacidade de simular a neuromodulação, um processo biológico onde substâncias como dopamina e serotonina influenciam a força e a plasticidade das sinapses, afetando o aprendizado e a resposta a estímulos. Em dispositivos neuromórficos eletrônicos, replicar a neuromodulação geralmente requer esquemas mais complexos. No sinapse acústico, um efeito semelhante foi alcançado de forma mais simples: a adição de uma haste extra permitiu que o sistema simulasse múltiplos tipos de modulação, incluindo reações rápidas, análogas à influência da dopamina, e mudanças de longo prazo, comparáveis aos efeitos do estresse crônico. A neuromodulação é o que confere flexibilidade ao cérebro, permitindo que a mesma rede neural opere de maneiras distintas dependendo da situação. Em sistemas de IA atuais, diferentes tarefas frequentemente exigem modelos distintos ou reconfigurações extensas. Se os sistemas neuromórficos de hardware puderem adaptar seus modos de operação através de análogos de neuromoduladores, redes menores poderão assumir mais funções sem um aumento constante em tamanho.

Embora as três hastes de alumínio não substituam os aceleradores de IA eletrônicos atuais, o trabalho demonstra um princípio fundamental: o processamento pode ser parcialmente delegado à física das ondas. O som, por si só, mistura, transporta e transforma sinais, deixando para a eletrônica a tarefa de ler o resultado e guiar o aprendizado. Essa abordagem híbrida pode resultar em hardware mais compacto e eficiente para tarefas que exigem a rápida integração de múltiplos atributos. O próximo desafio crucial é a escalabilidade: os pesquisadores precisam determinar como interconectar múltiplos sinapses acústicos, sua estabilidade em sistemas complexos, como gerenciar o ruído, como reduzir as dimensões físicas e como integrar a parte ondulatória com a eletrônica convencional. Se esses desafios forem superados, os dispositivos neuromórficos poderão evoluir de simples imitações eletrônicas do cérebro para sistemas híbridos onde os próprios processos físicos realizam o processamento computacional.