A inteligência artificial (IA) está se tornando cada vez mais presente na sociedade moderna. Desde a melhoria de análises científicas e recursos de imagem até a manutenção preditiva e monitoramento de operações em ambientes industriais, até mesmo os chatbots de IA, como o ChatGPT, as capacidades da IA estão começando a se consolidar em muitos aspectos da sociedade, e suas capacidades só são limitadas pelo hardware e poder computacional disponível para alimentar os algoritmos de software.
O campo da nanotecnologia – incluindo tanto os próprios nanomateriais quanto os métodos de nanofabricação / nanopadrões – já está ajudando a miniaturizar componentes de computação, tornar componentes eletrônicos mais eficientes e melhorar o potencial de energia geral para tecnologias de computação (já que é possível colocar mais componentes por área do que com materiais mais volumosos).
À medida que as demandas de computação e tecnologia para tecnologias de IA se tornam maiores em todos os aspectos da sociedade, o hardware precisará acompanhar. A nanotecnologia já está tendo impacto na melhoria do setor de computação em todas as frentes, e isso se estende ao hardware usado para alimentar e facilitar algoritmos de IA.
Dispositivos Memristivos
Recentemente, os nanomateriais têm despertado muito interesse para os dispositivos memristivos e há muitas pesquisas sendo conduzidas utilizando dispositivos memristivos facilitados por nanotecnologia para diversas aplicações. Dispositivos memristivos são dispositivos de dois terminais – com uma arquitetura de pilha metal/isolante/metal – que funcionam como uma chave de resistência que pode reter um estado de resistência/condutância interna com base no histórico de tensão e corrente aplicada no dispositivo – e a maioria dos memristivos investigados hoje usa canais em nanoescala.
Dispositivos memristivos têm propriedades físicas únicas (devido aos materiais em camadas finas e em nanoescala que são usados) que resultam em comutação rápida e de baixa energia, monitoramento de condutância e um alto grau de escalabilidade. Existem vários tipos de dispositivos memristivos que podem ser usados, incluindo memristivos de deriva, memristivos difusivos e dispositivos de memória de mudança de fase (PCM) – e são classificados nessas categorias com base nos materiais de comutação utilizados no dispositivo e na dinâmica de comutação do dispositivo. Deve-se notar que a estrutura dos dispositivos PCM é ligeiramente diferente porque há uma camada de mudança de fase e uma camada isolante entre as camadas de metal, em vez de apenas uma camada isolante, mas os dispositivos PCM são algumas das tecnologias memristivas mais maduras existentes.
Dispositivos memristivos tendem a ter dois modos de operação – um modo de leitura e um modo de gravação. No modo de leitura, a condutância é detectada sem perturbação, mas durante o modo de gravação, a condutância é programada no dispositivo aplicando uma tensão maior que o limite do dispositivo – e essas tensões de leitura/gravação são codificadas como trens de pulso. Os dispositivos PCM são ligeiramente diferentes em operação, pois usam as transições de fase do material para alterar a resistividade no dispositivo – onde o material muda de um material cristalino em um estado de baixa resistividade para um material amorfo em um estado de alta resistividade.
Existem várias áreas diferentes em que memristivos baseados em nanomateriais e dispositivos PCM estão sendo usados para melhorar o hardware de IA. Dispositivos memristivos e matrizes de barras transversais de mudança de fase têm sido usados em motores de inferência de sinal misto e em aceleradores de convolução baseados em dispositivos de rotação para aplicações de rede neural convolucional (CNN). Os dispositivos memristivos também estão sendo testados em vários dispositivos de memória de aprendizado profundo, incluindo aceleradores de sinal misto para algoritmos de aprendizado profundo, bem como em armazenamento de dados e operações de processamento analógico.
Os memristivos também estão sendo investigados para abordagens de armazenamento e processamento em arquiteturas de processamento-em-memória (PIM) para ampliar o escopo das aplicações de rede neural. Essa abordagem também poderia ter o potencial de usar uma interface software/hardware que permitiria aos desenvolvedores produzir código de rede neural para executar no acelerador. Chips de computação-em-memória (CIM) usando dispositivos memristivos em escala nanométrica também foram propostos recentemente, o que poderia ajudar a realizar modelos de rede neural muito maiores, reduzindo a latência e melhorando a precisão das redes neurais.
Dispositivos Magnetoelétricos
A segunda grande área de dispositivos de hardware baseados em nanomateriais que poderiam ter um impacto na precisão e eficiência dos algoritmos de IA são os dispositivos magnetoelétricos. Os dispositivos magnetoelétricos são compostos de camadas empilhadas de materiais magnéticos e isolantes e funcionam usando o alinhamento da polarização do spin eletrônico nas camadas metálicas. Se as polarizações estiverem alinhadas, o dispositivo exibe uma resistência menor, e quaisquer maiores graus de resistência são uma função dos graus de desalinhamento na polarização. Esses dispositivos são programados por uma voltagem aplicada ou correntes de spin-órbita, dependendo do número de terminais no dispositivo.
De todos os dispositivos magnetoelétricos, as junções de tunelamento magnético (MTJ) são as que mais prometem para o hardware de IA. Embora existam vários dispositivos dentro da família de MTJs, a maioria deles consiste em duas camadas magnéticas separadas por uma camada isolante, sendo uma das camadas magnéticas permanentemente magnetizada em um determinado eixo e a magnetização da outra camada sendo alterada para fornecer diferentes valores de resistência em todo o dispositivo. O dispositivo MTJ pode ser volátil ou não volátil por natureza, e sua não volatilidade os torna um bom candidato para uso em aplicativos de IA aprimorados por nanotecnologia. Além disso, o menor consumo de energia e os tempos de comutação abaixo de nanossegundos também tornam os MTJs um candidato promissor em arquiteturas de hardware de IA.
Existem diversas áreas em que os MTJs estão sendo investigados para aplicações em IA. Uma delas é em modelos probabilísticos, como Restricted Boltzmann Machines (RBM) e Deep Belief Networks (DGNs). A arquitetura do hardware para esses modelos é composta de estruturas em camadas para as operações de multiplicação-acumulação das redes neurais utilizadas nestes modelos. A implementação de materiais em nanoescala nessas arquiteturas têm utilizado uma arquitetura de matriz cruzada, com tanto os MTJs quanto sistemas de memristivos sendo empregados no hardware para esses modelos. O design arquitetural do hardware mostra similaridades com as arquiteturas apenas de CMOS, e só difere com o uso de matrizes cruzadas MTJ para as computações de multiplicação-acumulação.
Outra área em que os MTJs estão sendo investigados e usados são as arquiteturas de Modelos Gráficos Probabilísticos (PGM). As células computacionais contêm circuitos computacionais e armazenamento de memória, na forma de Tabelas de Probabilidade Condicional (CPTs), e é nessas CPTs onde a não volatilidade dos MTJs fornece uma rede neural totalmente conectada e baixo consumo de energia que previne latência no acesso à memória. Em algumas dessas arquiteturas, os dispositivos MTJ estão assumindo o papel tanto de armazenamento de memória quanto de circuitos de computação.
Conclusão
A IA continua a ficar cada vez mais poderosa cada vez mais poderosa em diferentes aspectos da sociedade. Materiais e arquiteturas em nanoescala estão sendo testados em uma série de componentes – como memristivos, dispositivos de material de mudança de fase e junções magnéticas de tunelamento – que podem ajudar a impulsionar uma série de algoritmos de redes neurais e aprendizado profundo. Os materiais em nanoescala já estão tendo um grande impacto na melhoria e miniaturização do hardware de computação, e pode ser que o hardware específico de IA seja uma das próximas áreas de computação que obtenha melhorias significativas graças aos materiais em nanoescala.
Artigo escrito por Liam Critchley e publicado no blog da Mouser Electronics: Could We Use Nanomaterials to Build Next-Gen AI Hardware?
Traduzido pela Equipe Embarcados. Visite a página da Mouser Electronics no Embarcados
(*) este post foi patrocinado pela Mouser Electronics.
