Hardware-Aware On-Chip Learning with a Scalable Single-Transistor-based Neuromorphic Platform

Os computadores modernos são incrivelmente poderosos, mas também são famintos. À medida que a inteligência artificial se torna mais complexa, a energia necessária para executá-la tornou-se um gargalo, especialmente para dispositivos que precisam funcionar por longos períodos com baterias pequenas, como robôs ou sensores na natureza. Para resolver isso, cientistas recorreram a uma forma diferente de pensar sobre a computação, uma que imita o cérebro humano. Em vez de processar informações em um fluxo constante e contínuo como uma calculadora tradicional, esses sistemas "neuromórficos" utilizam pequenos surtos assíncronos de informação chamados de spikes (picos). Este método é muito mais eficiente porque o sistema só trabalha quando há algo novo para processar. No entanto, ensinar essas máquinas semelhantes ao cérebro a aprender novas tarefas enquanto estão em funcionamento tem sido um grande obstáculo. Na maioria dos designs, o estado interno de um neurônio — sua "memória" do que acabou de receber — está escondido dentro do hardware, tornando quase impossível para o sistema ajustar suas próprias conexões e aprender com os erros sem sensores externos caros e que consomem muita energia.

Uma equipe de pesquisadores da Universidade Nacional de Seul e do Instituto de Ciência e Tecnologia da Coreia demonstrou agora uma maneira de ensinar esses sistemas sem nunca precisar espiar dentro dos neurônios. Eles construíram um novo tipo de chip onde o processo de aprendizado depende apenas de sinais que já estão visíveis na superfície: a corrente elétrica fluindo entre os componentes e o tempo dos spikes. Ao projetar o hardware e o software de aprendizado para trabalharem juntos, eles criaram um sistema que pode aprender no chip, usando um único transistor para atuar como sinapse, um neurônio e um gerador de sinal de aprendizado, tudo ao mesmo tempo. Esta abordagem elimina a necessidade de ler a voltagem interna oculta de um neurônio, um passo que anteriormente exigia circuitos volumosos e que consomem muita energia. O resultado é uma plataforma unificada que não é apenas menor e mais simples, mas também capaz de aprender continuamente, adaptando-se a novas informações enquanto lembra o que já aprendeu.

O cerne deste avanço reside em como os pesquisadores resolveram o problema do "acesso ao estado". Em um cérebro artificial tradicional, para ensinar um neurônio a disparar no momento certo, o computador precisa saber exatamente quanta carga elétrica está armazenada dentro dele em qualquer dado momento. No hardware físico, essa carga está presa dentro do dispositivo, e medi-la requer circuitos complexos e de alto consumo de energia que derrotam o propósito de ter um sistema de baixa potência. Os pesquisadores perceberam que não precisavam medir essa carga oculta se pudessem usar a corrente fluindo para o neurônio como um substituto (proxy). Eles desenvolveram um método chamado gradiente substituto baseado em corrente (current-based surrogate gradient). Em vez de perguntar "quão cheia está a bateria do neurônio?", o sistema pergunta "quanta corrente está fluindo agora?". Se a corrente estiver dentro de uma faixa específica e saudável, o sistema sabe que o neurônio está aprendendo corretamente. Se a corrente estiver muito alta ou muito baixa, ele sabe que um ajuste é necessário. Isso permite que o chip gere seus próprios sinais de aprendizado usando apenas os dados que são naturalmente disponíveis nos pontos de conexão entre os neurônios.

Para fazer isso funcionar no mundo real, a equipe fabricou um chip especial usando um processo de fabricação padrão, mas com um toque inteligente. Eles usaram um único tipo de transistor que poderia realizar três funções diferentes dependendo de como era configurado. Um grupo desses transistores atuava como sinapses, as conexões que armazenam a força de uma memória. Outro grupo atuava como neurônios, que acumulam carga elétrica até atingirem um ponto de ruptura e dispararem um spike. O terceiro grupo atuava como o mecanismo de aprendizado, observando a corrente e decidindo quando enviar um sinal de correção. Como todos os três componentes são construídos a partir do mesmo bloco básico, eles podem ser compactados densamente em um único chip. Os pesquisadores mostraram que esses transistores podiam armazenar níveis diferentes de peso, integrar sinais de entrada ao longo do tempo e disparar spikes em um padrão que imita neurônios biológicos. Crucialmente, o componente de aprendizado podia detectar quando o sistema estava operando corretamente ou incorretamente apenas olhando para a corrente, sem a necessidade de acessar a voltagem interna oculta do neurônio.

A equipe testou este sistema através de extensas simulações computacionais que utilizaram o comportamento real medido de seus chips físicos. Eles treinaram a rede em uma variedade de tarefas, desde o reconhecimento de dígitos manuscritos até a identificação de objetos complexos em imagens e a interpretação de fluxos de vídeo de câmeras baseadas em eventos. Nestes testes, o novo método desempenhou tão bem quanto os métodos de aprendizado tradicionais que dependem de acesso total aos estados internos. O sistema foi capaz de aprender novas classes de objetos sem esquecer as que já havia dominado, uma capacidade conhecida como aprendizado contínuo (continual learning). Isto é um feito significativo porque muitas tentativas anteriores de ensinar estes sistemas no chip resultaram em "esquecimento catastrófico", onde aprender algo novo apagava memórias antigas. Ao usar seus novos sinais de aprendizado, os pesquisadores mostraram que o sistema podia se adaptar a novas informações enquanto retinha seu conhecimento prévio, mesmo quando o próprio hardware era imperfeito e ruidoso.

As implicações para a eficiência energética são substanciais. Os pesquisadores estimaram que, ao usar sua abordagem analógica baseada em spikes, a energia necessária para executar uma inferência — tomar uma decisão baseada em novos dados — poderia ser reduzida em mais de 60 por cento em comparação com sistemas totalmente digitais. Em algumas configurações específicas, as economias foram ainda maiores, ultrapassando 85 por cento. Isso ocorre porque o sistema evita o enorme custo energético de converter sinais analógicos em números digitais e vice-versa, e só consome energia quando um spike realmente ocorre. Embora o processo de ensinar o chip ainda exija, inicialmente, alguns pulsos de alta voltagem que consomem energia, os pesquisadores observaram que este custo é um evento único de configuração ou um evento raro, enquanto a economia de energia durante a operação diária é contínua e significativa.

Este trabalho não afirma ter resolvido todos os problemas da inteligência artificial, nem sugere que estes chips estejam prontos para substituir os processadores do seu smartphone amanhã. Os pesquisadores foram cuidadosos em apontar que, embora os sinais de aprendizado funcionem bem, o custo energético total de um sistema de aprendizado completo e integrado ainda não foi medido em um dispositivo do mundo real. Ainda existem desafios em escalar a fabricação e integrar os circuitos de controle necessários para gerenciar estes chips. No entanto, o estudo fornece uma prova de conceito clara de que é possível construir um computador semelhante ao cérebro que aprende por conta própria sem precisar ver seus próprios pensamentos internos. Ao projetar o hardware para falar a mesma língua do algoritmo de aprendizado, a equipe abriu um caminho para máquinas adaptáveis e energeticamente eficientes que podem aprender e evoluir no mundo real, exatamente como os cérebros biológicos que foram projetados para emular.