Os chips inspirados no cérebro estão a levar a IA para além do centro de dados, permitindo a tomada de decisões em tempo real em dispositivos. Mas cumprir a sua promessa requer repensar a infraestrutura do silicone para cima.
Imagine um drone a tecer através de um armazém com reflexos semelhantes a insetos ou um membro protético a ajustar-se ao seu utilizador em tempo real. Estes não são conceitos muito futuros. São pontos de prova precoces para a computação neuromórfica, uma nova classe de hardware de inteligência artificial (IA) concebido para imitar o cérebro humano.
Os chips neuromórficos processam dados utilizando redes neuronais de fortificação (SNN) que são ativadas apenas para entrada significativa, semelhante aos neurónios biológicos. Ao contrário das unidades de processamento centrais (CPUs) e das unidades de processamento gráfico (GPUs) que separam as unidades de memória e processamento, a computação neuromórfica integra estes componentes para um processamento de dados paralelo eficiente (consulte a Figura 1).
O resultado é um consumo de energia drasticamente mais baixo, tempos de resposta mais rápidos e designs compactos adequados para ambientes limitados na edge. Isto é mais importante do que nunca, com os gastos de infraestrutura edge global projetados para atingir 261 mil milhões de dólares em 2025 a 380 mil milhões de dólares em 2028.
Figura 1. O chip neuromórfico único BrainScaleS-2 é um dos sistemas utilizados para aplicações de computação neuromórfica. Fonte: Aberto Neuromórfico.
Como funciona a computação neuromórfica
Os chips neuromórficos integram memória e computação na localização exata. Este design evita o gargalo da von Neumann, que ocorre quando os dados se movem constantemente entre unidades de processamento e memória separadas. Em vez de percorrer continuamente os dados, estas limalhas funcionam de forma assíncrona e acionam o cálculo apenas quando a entrada do sensor muda. Este modelo acionado por eventos pode minimizar o processamento desnecessário e reduzir o consumo de energia até 100 vezes em comparação com os sistemas convencionais.
A Loihi da Intel, por exemplo, simula mais de um milhão de neurónios usando apenas 70 miliwatts. As GPU tradicionais que executam cargas de trabalho semelhantes podem consumir vários watts ou até quilowatts, o que limita a sua utilização em ambientes remotos ou móveis.
Vantagens da computação neuromórfica
A computação neuromórfica não se trata de ganhos marginais. Representa uma mudança estrutural na forma como a IA funciona na edge.
Consumo de energia ultrarreduzido
Ao imitar a forma como os neurónios disparam apenas quando necessário, as aparas neuromórficas reduzem o consumo de energia ao ralenti até 100 vezes.
Baixa latência
As redes de espigões suportam tempos de resposta inferiores a 100 milissegundos, essenciais para robótica, diagnóstico em tempo real e sistemas de controlo de circuito fechado.
Processamento paralelo
A execução assíncrona permite que estes sistemas processem várias entradas de sensores simultaneamente sem criar um gargalo.
Tolerância ao ruído
Os chips neuromórficos são adequados para ambientes caóticos e podem processar dados incompletos ou não estruturados de forma mais eficaz do que os modelos de IA convencionais.
Desenho compacto
As necessidades de energia e térmica reduzidas permitem a implementação em dispositivos incorporados, eliminando a necessidade de grandes sistemas de arrefecimento ou de descarga para a cloud.
Em conjunto, estas funcionalidades sugerem que os sistemas neuromórficos podem suportar IA eficiente e autónoma fora do centro de dados.
Casos de utilização de computação neuromórfica
Cuidados de saúde
Os chips neuromórficos estão a ser explorados para análise de ECG de baixa potência e próteses adaptativas que respondem ao movimento em tempo real (ver Figura 3). Plataformas como SpiNNaker e BrainScaleS demonstraram a viabilidade do processamento semelhante ao cérebro em contextos médicos. Os chips mais recentes, como o Loihi da Intel, demonstraram promessa em interfaces cérebro-máquina, descodificando sinais neurais para controlar membros robóticos, abrindo caminho para a restauração da mobilidade (consulte a Figura 2).
A investigação de simulações moleculares e dobragem de proteínas utilizando SNN pode ajudar a reduzir o custo energético, melhorando potencialmente a eficiência e a acessibilidade do desenvolvimento de medicamentos e tratamentos médicos.
Figura 2. Imagem A (esquerda): protótipo de braço robótico montado em cadeira de rodas controlado neuromórfico, demonstrado pelo autor da investigação, Yuval Zaidel. Imagem B (direita): Arquitetura de controlo: Dados do acelerómetro de processamento de rede neural com espigão para adaptação da posição em tempo real. Fonte: Fronteiras | Controlo adaptativo de um braço robótico montado em cadeira de rodas com leituras de velocidade neuromórficas integradas e aprendizagem online.
Modelação climática e física
No CERN, foram utilizados sensores baseados em eventos inspirados em princípios neuromórficos para monitorizar partículas em ambientes ruidosos e de alto rendimento. Os Sandia National Laboratories estão a utilizar chips semelhantes para reduzir a energia necessária para simulações climáticas, um campo tradicionalmente dominado por supercomputadores.
Robótica e IoT
O processo neural de captura do Massachusetts Institute of Technology (MIT) demonstrou um braço robótico alimentado por SNN formado em 1000 geometrias e 5000 objetos, permitindo recolhas fiáveis em ambientes dinâmicos como armazéns.
Os investigadores usaram sensores de visão dinâmica (DVS), câmaras inspiradas pela retina, para capturar alterações na luz. Estes sensores permitem que os drones naveguem em espaços cheios com agilidade semelhante a insetos e latência ultrabaixa
Empresas como a Prophesee comercializaram sistemas de visão baseados em eventos para vigilância inteligente, reduzindo a largura de banda e as necessidades de energia. Os seus sensores podem atingir mais de 10 000 imagens por segundo, consumindo menos energia.
Figura 3. O desenvolvimento de uma neuroprótese somatossensorial baseia-se em três pilares principais: (1) Utilizar modelos informáticos para imitar a forma como o sistema nervoso responde ao toque (segmento azul); (2) Testar em animais para validar estratégias de neuroestimulação (segmento laranja); DRG – gânglio da raiz dorsal. (3) Realização de ensaios clínicos com humanos para avaliar a eficácia da tecnologia em cenários da vida real (segmento verde). Fonte: Comunicações da Natureza.
Finanças e cibersegurança
A IBM explorou a utilização de SNN para deteção de fraude. Formaram modelos que identificam padrões em transações financeiras com alta precisão. Estes sistemas podem adaptar-se a ameaças emergentes com dados mínimos.
O que a infraestrutura precisa
O suporte de sistemas neuromórficos requer mais do que atualizações incrementais na extremidade. Requer uma infraestrutura construída especificamente (consulte a Figura 4) que se expande com a procura, se adapta às cargas de trabalho em mudança e se adapta a ambientes com espaço ou restrições de energia.
Por exemplo, o arrefecimento líquido direto ao chip pode gerir o calor esporádico de forma mais eficaz do que o ar isoladamente. A abordagem Vertiv™ Coolchip, que combina arrefecimento líquido e a ar, ajuda a manter um desempenho estável, ao mesmo tempo que reduz o consumo geral de energia. Da mesma forma, os sistemas de fornecimento de energia têm de responder rapidamente a mudanças de corrente acentuadas sem construção excessiva, o que aumenta o custo e a pegada física. Também são necessárias interligações de alta velocidade para suportar o processamento rápido e localizado de dados.
No lado das operações, as cargas de trabalho neuromórficas exigem uma mentalidade diferente. Os SNN e as arquiteturas assíncronas são fundamentalmente diferentes dos modelos utilizados na maioria dos pipelines de formação de IA. As equipas devem compreender como trabalhar com sistemas orientados para eventos e como os manter. Os engenheiros devem projetar em torno de cargas imprevisíveis e comportamento dinâmico.
Figura 4.Por exemplo, soluções modulares, como Vertiv™ Infrastructure Solutions com Vertiv™ CoolChip, que combinam arrefecimento líquido direto ao chip com estratégias de lado do ar adaptáveis, já foram concebidas para lidar com volumes de trabalho de alto desempenho na edge, como computação neuromórfica.
Preparação para o que vem a seguir
A computação neuromórfica não é um conceito. Já está a remodelar a forma como a inteligência edge funciona. Desde robótica e cuidados de saúde a modelação climática e cibersegurança, as aplicações estão aqui. O que está atrasado é a infraestrutura.
Se planeia implementar IA na edge, precisará de sistemas concebidos para suportar estes novos volumes de trabalho. Isto significa avaliar a densidade do bastidor, estratégias térmicas e capacidade de resposta da energia. Também significa investir em pessoas que compreendem este novo paradigma de IA: neurociência de peças, engenharia de peças, design de sistemas de peças.
A evolução da IA edge depende de como a infraestrutura atual responde às exigências emergentes.
Visite o Vertiv™ AI Hub para explorar soluções de infraestrutura construídas para o desempenho neuromórfico – na edge, em tempo real e com eficiência que se expande.
