Uma rede minúscula e auto-organizada de sinapses artificiais lembra suas experiências e pode resolver problemas simples. Seus criadores esperam que um dia, com base nesse cérebro artificial, sejam criados dispositivos que, em sua eficiência energética, não sejam inferiores ao poder de computação do cérebro. Em geral, os cérebros, se omitirmos suas realizações em pensar e resolver problemas, são perfeitos em sua eficiência energética. O cérebro precisa da mesma quantidade de energia para funcionar que uma lâmpada incandescente de 20 watts absorve. E um dos supercomputadores mais poderosos e rápidos do mundo, o Computer K em Kobe, Japão, usa até 9,89 megawatts de energia - quase o mesmo que 10.000 casas. Mas em 2013, mesmo com essa energia, a máquina demorou 40 minutos para simular 1% da atividade do cérebro humano em 1 segundo.
E assim, os engenheiros de pesquisa do NanoSystems Institute of California na University of California, Los Angeles esperam rivalizar com as capacidades computacionais e de eficiência energética do cérebro, graças a sistemas que refletem a estrutura do cérebro. Eles estão criando um dispositivo, possivelmente o primeiro de seu tipo, que é "inspirado pelo cérebro para gerar propriedades que permitem ao cérebro fazer o que faz", diz Adam Stig, pesquisador e professor associado do instituto que está liderando o projeto com Jim Gimrzewski, professor de química da Universidade da Califórnia. Em Los Angeles.
Seu design não é nada parecido com os computadores comuns, que são baseados em pequenos fios impressos em microcircuitos de silício em circuitos altamente ordenados. A versão experimental atual é uma grade de nanofios de prata de 2 x 2 mm conectada por sinapses artificiais. Ao contrário dos circuitos de silício com sua precisão geométrica, este dispositivo é tecido como um "prato de espaguete bem misturado", diz Stig. Além disso, sua estrutura fina é organizada a partir de processos químicos e elétricos aleatórios e não é cuidadosamente projetada.
Em sua complexidade, essa teia prateada se assemelha a um cérebro. Há um bilhão de sinapses artificiais por centímetro quadrado da grade, que é várias ordens de magnitude diferente do cérebro real. A atividade elétrica da rede também exibe uma propriedade exclusiva de sistemas complexos como o cérebro: "criticidade", um estado entre a ordem e o caos que indica eficiência máxima.
Essa rede de nanofios altamente interligados pode parecer caótica e aleatória, mas sua estrutura e comportamento se assemelham aos dos neurônios do cérebro. Cientistas da NanoSystems o estão desenvolvendo como um dispositivo cerebral para aprendizado e computação.
Além disso, experiências preliminares mostram que esta malha de fio de prata neuromórfica (isto é, semelhante ao cérebro) tem grande potencial funcional. Ela já pode realizar operações educacionais e lógicas simples. Ele pode remover ruídos indesejados do sinal recebido, uma habilidade importante para reconhecimento de voz e tarefas semelhantes que causam problemas em computadores tradicionais. E sua existência comprova o princípio de que um dia será possível criar aparelhos com eficiência energética próxima à do cérebro.
Essas vantagens são especialmente curiosas no contexto do limite próximo de miniaturização e eficiência dos microprocessadores de silício. "A Lei de Moore morreu, os semicondutores não podem mais ficar menores e as pessoas começam a reclamar do que fazer", disse Alex Nugent, CEO da Knowm, uma empresa de computação neuromórfica não envolvida no projeto UCLA. “Eu gosto dessa ideia, dessa direção. As plataformas convencionais de computação são um bilhão de vezes menos eficientes."
Vídeo promocional:
Alterna como sinapses
Quando Gimrzewski começou a trabalhar em seu projeto de grade de prata há 10 anos, ele não estava interessado em eficiência energética. Ele estava entediado. Tendo usado um microscópio de tunelamento para estudar eletrônica em escala atômica por 20 anos, ele finalmente disse: "Estou cansado da perfeição e do controle preciso e um pouco cansado do reducionismo".
O reducionismo, deve ser assumido, é a base de todos os microprocessadores modernos, quando fenômenos e circuitos complexos podem ser explicados usando fenômenos e elementos simples.
Em 2007, ele foi convidado a estudar interruptores atômicos individuais (ou interruptores) desenvolvidos pelo grupo Masakazu Aono do Centro Internacional de Materiais em Nanoarquitetura em Tsukuba, Japão. Essas chaves continham o mesmo ingrediente que torna uma colher de prata preta quando toca um ovo: sulfeto de ferro imprensado entre prata metálica dura.
Aplicar voltagem aos dispositivos empurra os íons de prata carregados positivamente no sulfeto de prata em direção à camada de cátodo de prata, onde são reduzidos a prata metálica. Os filamentos atômicos de prata crescem, eventualmente fechando a lacuna entre os lados de prata metálica. O interruptor está ligado e a corrente pode fluir. Reverter a corrente tem o efeito oposto: as pontes prateadas são encurtadas e a chave é desligada.
No entanto, logo após desenvolver o switch, o grupo de Aono começou a observar um comportamento incomum. Quanto mais freqüentemente o interruptor era usado, mais fácil era ligá-lo. Se não fosse usado por algum tempo, gradualmente desligava-se sozinho. Essencialmente, o switch lembrava sua história. Aono e seus colegas também descobriram que os interruptores pareciam interagir uns com os outros, de forma que ligar um deles às vezes bloquearia ou desligaria outros nas proximidades.
A maioria do grupo de Aono queria construir essas propriedades estranhas fora dos interruptores. Mas Gimrzewski e Stig (que havia acabado de concluir seu doutorado no grupo de Gimrzewski) se lembraram das sinapses, as trocas entre as células nervosas no cérebro humano, que também mudam as relações com a experiência e a interação. E assim nasceu a ideia. “Pensamos: por que não tentar traduzir tudo isso em uma estrutura que se assemelhe ao córtex cerebral de um mamífero e estudá-la?”, Afirma Stig.
Construir uma estrutura tão complexa foi definitivamente difícil, mas Stig e Odrius Avicenis, que acabaram de se juntar ao grupo como estudante de graduação, desenvolveram um protocolo para isso. Ao derramar nitrato de prata em pequenas esferas de cobre, eles podem fazer com que fios de prata microscopicamente finos e interseccionados cresçam. Eles poderiam então bombear gás de enxofre através dessa grade para criar uma camada de sulfeto prateado entre os fios de prata, como no interruptor atômico da equipe Aono original.
Criticidade auto-organizada
Quando Gimzewski e Stig contaram a outras pessoas sobre seu projeto, ninguém acreditou que funcionaria. Alguns disseram que o dispositivo mostraria um tipo de atividade estática e se estabeleceria nele, lembrou Stig. Outros sugeriram o oposto: “Eles disseram que o switch entraria em cascata e toda a estrutura iria queimar”, diz Gimzewski.
Mas o dispositivo não derreteu. Em contraste, quando Gimzewski e Stig o observavam através de uma câmera infravermelha, a corrente de entrada continuou a alterar os caminhos que percorria através do dispositivo - provando que a atividade na rede não era localizada, mas sim distribuída, como no cérebro.
Em um dia de outono de 2010, enquanto Avicenis e seu colega Henry Sillin aumentavam a tensão de entrada do dispositivo, eles de repente perceberam que a tensão de saída começou a oscilar aleatoriamente, como se a malha de arame tivesse ganhado vida. “Sentamos e olhamos para ele, ficamos chocados”, disse Sillin.
Eles achavam que tinham encontrado algo interessante. Quando Avicenis analisou os dados de monitoramento durante vários dias, ele descobriu que a rede permanecia no mesmo nível de atividade por curtos períodos com mais freqüência do que por longos períodos. Mais tarde, eles descobriram que pequenas áreas de atividade eram mais comuns do que grandes.
“Fiquei de queixo caído”, diz Avicenis, porque foi a primeira vez que aprenderam uma lei de potência com seu dispositivo. As leis de potência descrevem relações matemáticas nas quais uma variável muda conforme a potência de outra. Eles se aplicam a sistemas em que escalas maiores, eventos mais longos são menos comuns do que eventos menores e mais curtos, mas são generalizados e não por acidente. Per Bac, um físico dinamarquês que morreu em 2002, primeiro propôs leis de potência como a marca registrada de todos os tipos de sistemas dinâmicos complexos que podem se organizar em grandes escalas e longas distâncias. Esse comportamento, disse ele, indica que um sistema complexo está se equilibrando e funcionando no meio dourado entre a ordem e o caos, em um estado de "criticidade", e todas as suas partes interagem e se interconectam para a máxima eficiência.
Como Buck previu, o comportamento da lei de potência foi observado no cérebro humano: em 2003, Dietmar Plenz, neurofisiologista do National Institutes of Health, observou que grupos de células nervosas ativavam outras, que por sua vez ativavam outras, muitas vezes desencadeando cascatas sistêmicas de ativações. Plenz descobriu que os tamanhos dessas cascatas seguem uma distribuição de lei de potência, e o cérebro agia de maneira a maximizar a difusão da atividade sem correr o risco de perder o controle de sua difusão.
O fato de que o dispositivo da Universidade da Califórnia também demonstrou a lei de potência em ação é muito importante, diz Plentz. Porque daí decorre que, como no cérebro, há um delicado equilíbrio entre ativação e inibição, o que mantém a soma de suas partes funcionando. A atividade não suprime o conjunto, mas também não para.
Gimrzewski e Stig mais tarde encontraram outra semelhança entre a rede prateada e o cérebro: assim como o cérebro humano adormecido exibe menos cascatas curtas de ativação do que o cérebro acordado, o curto estado de ativação na rede prateada se torna menos comum com energias de entrada mais baixas. De alguma forma, reduzir o consumo de energia de um dispositivo pode criar um estado semelhante ao estado dormente do cérebro humano.
Aprendizagem e computação
E aqui está a questão: se uma rede de fios de prata tem propriedades semelhantes às do cérebro, ela pode resolver problemas computacionais? Experimentos preliminares mostraram que a resposta é sim, embora o dispositivo, é claro, não seja nem remotamente comparável a um computador normal.
Primeiro, não há software. Em vez disso, os pesquisadores exploram o fato de que a rede pode distorcer o sinal de entrada de diferentes maneiras, dependendo de onde a saída é medida. Isso oferece um uso possível para reconhecimento de voz ou imagem, pois o dispositivo deve ser capaz de limpar um sinal de entrada ruidoso.
Conclui-se também que o dispositivo pode ser usado para os chamados cálculos de reservatório. Visto que uma única entrada pode, em princípio, gerar muitos, milhões de saídas diferentes (daí o reservatório), os usuários podem selecionar ou combinar saídas de modo que o resultado seja o cálculo de entrada desejado. Por exemplo, se você estimular um dispositivo em dois locais diferentes ao mesmo tempo, há uma chance de que um dos milhões de resultados diferentes represente a soma dos dois.
O desafio é encontrar as conclusões corretas e decodificá-las, e descobrir a melhor forma de codificar as informações para que a rede possa entendê-las. Isso pode ser feito treinando o dispositivo: executando a tarefa centenas ou milhares de vezes, primeiro com um tipo de entrada, depois com outra, e comparando qual saída lida melhor com a tarefa. “Não programamos o dispositivo, mas escolhemos a melhor forma de codificar as informações para que o comportamento da rede seja útil e interessante”, diz Gimrzewski.
Em um trabalho a ser publicado em breve, os cientistas explicarão como treinaram uma rede de fios para realizar operações lógicas simples. E em experimentos não publicados, eles treinaram a rede para resolver um problema simples de memória geralmente dado a ratos (o labirinto em T). No teste do labirinto em T, o rato é recompensado se fizer uma curva correta em resposta à luz. Com uma versão própria para treinamento, a rede pode fazer a escolha certa 94% das vezes.
Até agora, esses resultados foram pouco mais do que uma prova de princípio, diz Nugent. “O ratinho que toma uma decisão no labirinto em T nunca chega perto de algo no aprendizado de máquina que pode avaliar seus sistemas”, em um computador tradicional, diz ele. Ele duvida que o dispositivo possa se tornar um chip útil nos próximos anos.
Mas o potencial é enorme, frisa. Porque a rede, assim como o cérebro, não separa o processamento da memória. Os computadores tradicionais precisam transferir informações entre diferentes domínios que lidam com essas duas funções. “Toda essa comunicação extra é acumulada porque os fios precisam de energia”, diz Nugent. Pegando os computadores tradicionais, você teria que desligar a França para simular um cérebro humano completo com resolução decente. Se dispositivos como a Silver Network podem resolver problemas com a eficiência de algoritmos de aprendizado de máquina executados em computadores tradicionais, eles podem usar um bilhão de vezes menos energia. E então a questão é pequena.
As descobertas dos cientistas também apóiam a noção de que, sob as circunstâncias certas, os sistemas inteligentes podem ser formados por auto-organização sem qualquer modelo ou processo para seu desenvolvimento. A Silver Network "surgiu espontaneamente", diz Todd Hilton, um ex-gerente da DARPA que apoiou o projeto desde o início.
Gimrzewski acredita que uma rede de fios de prata ou dispositivos semelhantes pode ser melhor do que os computadores tradicionais para prever processos complexos. Os computadores tradicionais modelam o mundo com equações que geralmente descrevem fenômenos complexos apenas aproximadamente. As redes neuromórficas de switch atômico alinham sua própria complexidade estrutural intrínseca com o fenômeno que estão simulando. E também fazem isso rapidamente - o estado da rede pode flutuar a taxas de até dezenas de milhares de alterações por segundo. “Usamos um sistema complexo para entender fenômenos complexos”, diz Gimrzewski.
No início deste ano, em uma reunião da American Chemical Society em San Francisco, Gimzewski, Stig e seus colegas apresentaram os resultados de um experimento no qual alimentaram o dispositivo nos primeiros três anos de um conjunto de dados de tráfego de Los Angeles de seis anos em uma série de pulsos indicando o número de carros passando por hora. Depois de centenas de horas de treinamento, a saída finalmente previu a tendência estatística da segunda metade do conjunto de dados, e muito bem, embora não tenha sido mostrado para o dispositivo.
Talvez um dia, brinca Gimrzewski, ele use a rede para prever o mercado de ações.
Ilya Khel
