Computação Neuromórfica Magnética Eleva Eficiência da IA a Níveis Humanos

A dinâmica elétrica dos neurônios é surpreendentemente semelhante à dinâmica de comutação de um nanométrico. O comportamento de comutação exibido por equipamentos de junção de túnel magnético é estocástico por natureza. Como esse comportamento representa a comutação sigmoide de um neurônio, a junção magnética pode ser utilizada para armazenar pesos sinápticos.

Nova Abordagem Combina Magnéticos e Redes Cerebrais

Pesquisadores da Universidade de Purdue desenvolveram um método que pode ajudar robôs com inteligência artificial (IA) a alcançar eficiência semelhante à humana no reconhecimento de objetos. A abordagem envolve a fusão de magnéticos com redes neurais inspiradas no cérebro para ensinar máquinas — como drones, carros autônomos e robôs — a generalizar melhor sobre diversos objetos.

Um Novo Algoritmo: ReStoCNet

As Redes Neurais de Pulsos (SNNs) oferecem uma alternativa promissora para sistemas neuromórficos inteligentes, que exigem menos recursos computacionais que redes neurais convencionais. Estas redes codificam e transmitem dados na forma de eventos de pulsos esparsos.

Neste estudo, os pesquisadores utilizaram plasticidade dependente do tempo de pulso (STDP) para desenvolver um novo algoritmo de treinamento estocástico chamado Stochastic-STDP. Trata-se de uma SNN convolucional residual profunda, denominada ReStoCNet, composta por núcleos binários para computação neuromórfica eficiente em memória.

Usando o comportamento estocástico intrínseco dos ímãs, os pesquisadores comutaram a fase de magnetização estocasticamente baseados no novo algoritmo. Em seguida, utilizaram pesos sinápticos treinados durante a inferência, que foram codificados deterministicamente na fase de magnetização do nanométrico.

A regra de aprendizado probabilístico baseada em STDP incorpora abordagens hebbiana e anti-hebbiana, para treinar os núcleos binários que compõem a ReStoCNet de forma não supervisionada por camadas, para extração hierárquica de características de entrada.

A equipe utilizou ímãs de barreira de alta energia para permitir primitivas estocásticas compactas e tornar possível usar o mesmo dispositivo como elemento de memória estável.

Validaram a eficiência da ReStoCNet em dois conjuntos de dados públicos diferentes, demonstrando que conexões residuais permitem que camadas convolucionais profundas aprendam características de alto nível valiosas e minimizem a perda incorrida por SNNs sem conexões residuais.

Utilidade Prática

A nova rede é capaz de representar tanto neurônios quanto sinapses, reduzindo a quantidade de energia e memória necessária para realizar tarefas semelhantes a computações cerebrais.

Estas redes cerebrais podem resolver problemas complexos de otimização, como coloração de grafos e o problema do caixeiro viajante. Os dispositivos estocásticos apresentados neste trabalho podem funcionar como 'recocedores naturais' e ajudar algoritmos a sair de mínimos locais.

Mais especificamente, a ReStoCNet com aprendizado probabilístico eficiente em memória e computação orientada a eventos é adequada para implementação de hardware neuromórfico baseado em CMOS e tecnologias de dispositivos estocásticos emergentes, como Memória de Mudança de Fase e Memória de Acesso Aleatório Resistiva, que aumentam a eficiência de memória em dispositivos alimentados por bateria.