Processador neuromórfico pode ser 100.000 vezes mais rápido que cérebro

∆∆∆

Cérebro de luz

Uma das grandes dificuldades de se construir um processador neuromórfico – com uma arquitetura imitando o cérebro – é que os neurônios têm inúmeros “braços”, que se estendem para se conectar a inúmeros outros neurônios. Cada neurônio pode ter milhares dessas sinapses.

Fazer o mesmo com fios é quase impossível porque rapidamente fica tudo congestionado e, em vez de velocidade, o que se obtém é um verdadeiro engarrafamento de sinais, que não conseguem mais trafegar.

Agora, uma equipe do Instituto Nacional de Padronização e Tecnologia dos EUA demonstrou uma solução para esses desafios de comunicação que promete não apenas rivalizar com o cérebro, mas também permitir que sistemas neurais artificiais operem 100.000 vezes mais rápido do que o cérebro humano.

Para deixar para trás a infraestrutura de comunicação eletrônica convencional, Saeed Khan e seus colegas projetaram redes fotônicas, nas quais minúsculas fontes de luz em cada neurônio eletrônico transmitem sinais ópticos para milhares de conexões.

Esse esquema pode ser especialmente eficiente em termos de energia quando se usa componentes supercondutores para detectar partículas únicas de luz, os fótons, o menor sinal óptico possível que pode ser usado para representar o disparo de um neurônio.

Sinapse artificial supercondutora

Cada detector de fóton único supercondutor liga-se a um componente de circuito chamado junção Josephson, basicamente um sanduíche de materiais supercondutores separados por uma fina película isolante. Se a corrente através desse sanduíche exceder um determinado valor limite, a junção começa a produzir pequenos pulsos de tensão, chamados fluxons – um fluxon é um quantum de fluxo magnético, também conhecido como vórtice de Abrikosov [Alexei Abrikosov (1928-2017)].

Ao detectar um fóton, o detector de fóton único empurra a junção Josephson além desse limiar e os fluxons são acumulados como corrente em um loop supercondutor. A quantidade de corrente adicionada ao loop por cada fóton pode ser controlada aplicando-se uma polarização (uma fonte de corrente externa que alimenta os circuitos) a uma das junções. Esse mecanismo funciona como um peso sináptico, a força da conexão entre os neurônios: Quando o peso de uma sinapse é positivo, ela é chamada de excitatória; quando o peso é negativo, a sinapse é chamada de inibitória.

Esse comportamento é semelhante ao das sinapses biológicas. A corrente armazenada serve como uma forma de memória de curto prazo, fornecendo um registro de quantas vezes o neurônio produziu um pico no passado recente. A duração dessa memória é definida pelo tempo que leva para a corrente elétrica decair nos loops supercondutores, podendo variar de centenas de nanossegundos a milissegundos – e provavelmente mais em futuras implementações.

Isso significa que esse hardware neuromórfico pode ser adequado para lidar com problemas que ocorrem em muitas escalas de tempo diferentes – desde sistemas de controle industrial de alta velocidade até conversas com humanos. A capacidade de definir pesos diferentes alterando a polarização para as junções Josephson também permite criar uma memória de longo prazo, que pode ser usada para tornar as redes programáveis, de modo que a mesma rede possa resolver muitos problemas diferentes.

∆

Rumo aos neurônios supercondutores

As sinapses são um componente computacional crucial do cérebro, de modo que esta demonstração de sinapses supercondutoras de fóton único é um marco importante no caminho para concretizar as redes optoeletrônicas.

No entanto, o trabalho está longe de demonstrar um processador neuromórfico optoeletrônico completo: O próximo passo será combinar essas sinapses com fontes de luz no chip para demonstrar neurônios optoeletrônicos supercondutores completos.

“Nós poderíamos usar o que demonstramos aqui para resolver problemas computacionais, mas a escala seria limitada,” disse Jeff Shainline, membro da equipe. “Nosso próximo objetivo é combinar esse avanço na eletrônica supercondutora com fontes de luz semicondutoras. Isso nos permitirá alcançar a comunicação entre muitos mais componentes e resolver problemas grandes.”