A termodinâmica passou a ser ensinada para calcular – a eficiência energética foi para o espaço.

Toda a história da computação tem sido uma batalha constante contra o ruído e a perda de energia durante a dissipação de calor. Hardware potente melhora o desempenho, mas o excesso de calor cresce exponencialmente, e nem mesmo um bom cooler ou sistema de refrigeração líquida consegue lidar com ele. Mas e se, em vez de combatermos o calor e o ruído térmico como fonte de erros, os aceitássemos? Seria possível? Sim, é.

Fonte da imagem: Laboratório Berkeley

Pesquisadores do Laboratório Nacional Lawrence Berkeley propuseram um conceito para computação termodinâmica, no qual o ruído térmico — flutuações aleatórias nos elétrons devido ao aquecimento e resfriamento — deixa de ser um incômodo e se torna uma fonte de energia para computação.

Em computadores clássicos e sistemas quânticos, o ruído é suprimido gastando-se enormes quantidades de energia em resfriamento e amplificação do sinal, mas o sistema proposto pelos cientistas opera em uma escala de energia extremamente pequena, próxima à energia do ruído térmico. O sistema simplesmente permanece sem perturbações, e as flutuações térmicas naturais o fazem transitar automaticamente de um estado para outro, realizando operações úteis. “Computação termodinâmica é computação alimentada por ruído”, como explicaram sucintamente os autores do estudo.

Vale ressaltar que um método computacional semelhante já foi demonstrado para equações de álgebra linear. Redes neurais requerem cálculos não lineares, cuja viabilidade foi demonstrada pela primeira vez por uma equipe de Berkeley em sistemas termodinâmicos. Isso possibilita a realização de cálculos não lineares complexos, semelhantes aos realizados por redes neurais, à temperatura ambiente, sem o consumo ativo de energia para supressão de ruído.

A equipe desenvolveu um projeto para “neurônios termodinâmicos” — componentes não lineares que se comportam como neurônios em uma rede, permitindo cálculos não lineares arbitrários. Outra desvantagem das abordagens anteriores era a longa espera necessária para que o sistema atingisse o equilíbrio antes de iniciar os cálculos. A nova abordagem elimina esse período de espera.e iniciar cálculos em qualquer ponto do estado do sistema, sem esperar pelo equilíbrio termodinâmico.

Como o sistema é estocástico (cada execução produz resultados ligeiramente diferentes devido ao ruído), o método de descida de gradiente padrão não é adequado para executar o algoritmo. Portanto, os pesquisadores calcularam algoritmos evolutivos no supercomputador Perlmutter (NERSC), avaliando trilhões de trajetórias estocásticas. O algoritmo otimizou os parâmetros do circuito para que o sistema produzisse o resultado desejado em um determinado ponto no tempo. Eles encontraram, por assim dizer, a melhor maneira de converter ruído em desempenho da rede neural.

É claro que usar um supercomputador para buscar as trajetórias mais eficientes de mudanças termodinâmicas em circuitos exige um consumo de energia colossal. Mas, após o treinamento, tudo pode ser implementado em hardware, em particular, para obter respostas durante o resfriamento “simples” do processador sem consumo significativo de energia externa.

Simulações mostraram que a inferência é extremamente eficiente em termos de energia — ordens de magnitude mais eficiente do que os chips tradicionais para tarefas de aprendizado de máquina. Delegue a resposta às consultas de pesquisa a um processador “preguiçoso” como esse e você economizará muita energia! Parece ficção científica? Mas esses processadores já existem e tudo indica que se tornarão ainda mais comuns. A geração de energia em nosso mundo é finita e suas reservas estão se esgotando.