Cientistas da Universidade de Cambridge desenvolveram um novo dispositivo nanoeletrônico que imita os princípios de funcionamento do cérebro humano. Trata-se de um memristor baseado em óxido de háfnio modificado (HfO₂) com adição de estrôncio e titânio, que tem o potencial de reduzir significativamente o consumo de energia de hardware de inteligência artificial.
Os chips de IA clássicos consomem enormes quantidades de energia devido à constante movimentação de dados entre a memória e o processador, enquanto o dispositivo proposto implementa o conceito de computação em memória — armazenando e processando informações em um único local, de forma semelhante às células cerebrais.
Como é sabido, um memristor clássico, ou canônico, opera com base na formação reversível de filamentos condutores na camada ativa. Dependendo da densidade dos filamentos, surgem múltiplos níveis de resistência controlados dentro da célula, o que frequentemente permite que os memristores sejam associados à RAM resistiva (ReRAM). Os cientistas de Cambridge consideraram essa estrutura pouco confiável. Portanto, desenvolveram uma estrutura semelhante a um transistor dentro da célula do memristor para substituir os filamentos imprevisíveis. As características dos transistores são muito mais estáveis, e essa é a chave para o sucesso do desenvolvimento.
Os memristores desenvolvidos por cientistas britânicos operam usando heterojunções p-n assimétricas, como diodos ou transistores. Isso garante uma estabilidade impressionante, bem como a capacidade de criar centenas de níveis de condutividade estáveis (degraus de valores, profundidades de bits) e excelente repetibilidade das características, tanto em ciclos de trabalho quanto em dispositivos durante a produção em massa.
A capacidade de um memristor “transistor” de criarBarreiras de energia com centenas de níveis controlados sugerem um design semelhante ao das sinapses cerebrais. As sinapses são completamente analógicas. Elas operam com milhares de níveis de concentração de neurotransmissores na fronteira de transição entre um neurônio e outro. Um neurônio dispara um impulso elétrico somente quando a concentração de neurotransmissores de um neurônio vizinho na cadeia atinge o nível necessário. Com memristores “não clássicos”, esse design poderia levar à criação de redes neurais de IA que imitam o funcionamento do cérebro e economizam energia.
Ressaltamos mais uma vez que, em comparação com os memristores existentes, a nova solução elimina problemas cruciais: comportamento aleatório, necessidade de altas voltagens e baixa repetibilidade durante a replicação. O mecanismo de comutação do “transistor” alcança um consumo de energia extremamente baixo durante o aprendizado adaptativo. Os pesquisadores enfatizam que essas características são precisamente o que é necessário para criar hardware capaz não apenas de armazenar bits, mas de realmente aprender e se adaptar, aproximando-se dos princípios do funcionamento cerebral.
O impacto potencial dessa tecnologia é enorme: estima-se que a implementação desses dispositivos reduzirá o consumo de energia das plataformas de IA em até 70%. Isso é crucial, considerando o crescimento exponencial do consumo de energia dos modernos modelos de IA de grande porte.