Cientistas criam aparelho de memória inspirado no cérebro que pode aumentar a eficiência energética das IA – dispositivo fototransistor combina captação de luz, memória e processamento para reduzir o tráfego de dados

Pesquisadores da Universidade Estadual do Oregon desenvolveram um dispositivo de memória digital sensível à luz que une sensoriamento, armazenamento e processamento de sinais em um único fototransistor. Essa inovação tem o potencial de reduzir os custos energéticos do futuro hardware de inteligência artificial. O dispositivo tem a capacidade de simular a habilidade essencial do cérebro de fortalecer memórias importantes, enquanto permite que informações menos relevantes se desvaneçam com o tempo.

Esse novo dispositivo traz o processamento de IA mais próximo do sensor, eliminando a necessidade de transferência constante de dados entre diferentes componentes de hardware. “Nosso dispositivo optoeletrônico introduz uma nova capacidade de hardware que pode permitir um processamento mais eficiente das informações diretamente no nível do sensor”, explica um dos pesquisadores responsáveis pelo projeto.

Atualmente, o hardware de IA distribui funções de sensoriamento, memória e processamento entre componentes separados, o que exige movimentação frequente de dados, consumindo energia e diminuindo a eficiência. O dispositivo da Universidade Estadual do Oregon enfrenta esse desafio, integrando algumas funções de memória e processamento diretamente no sensor de luz. Para isso, utiliza um fototransistor composto por dois materiais diferentes: um semicondutor óxido forma o canal do transistor e uma camada orgânica sensível à luz, que absorve a luz e gera cargas elétricas.

Quando a luz incide sobre o dispositivo, algumas dessas cargas ficam retidas na camada sensível. Mesmo após a luz desaparecer, essas cargas continuam a influenciar a corrente que flui pelo canal semicondutor, fazendo com que o dispositivo retenha uma “memória” do sinal óptico detectado anteriormente.

Um aspecto interessante é que essa memória não é estática. Ao aplicar uma pequena tensão elétrica, os pesquisadores conseguem alterar a posição das cargas retidas em relação ao canal do transistor. Esse movimento pode intensificar ou enfraquecer a influência das cargas, permitindo que a memória dure mais ou menos tempo.

Esse comportamento se assemelha, em certa medida, à forma como os cérebros biológicos regulam a memória. No cérebro, sinais químicos influenciam se uma memória deve ser reforçada ou deixada de lado. No dispositivo da Universidade Estadual do Oregon, um sinal elétrico desempenha função similar, oferecendo uma duração de memória programável.

Essa tecnologia pode ser especialmente útil em computação neuromórfica, que busca criar sistemas de computação inspirados em redes neurais biológicas. Ela também se alinha com a tendência mais ampla de computação em sensoriamento, onde os dados são processados no ponto de captura, em vez de transferidos para processadores e bancos de memória separados.

Para sistemas de visão em IA, isso pode significar hardware capaz de filtrar, pesar e reter temporariamente informações visuais antes mesmo de alcançarem um processador convencional. Robôs, drones ou câmeras de segurança podem não precisar preservar todos os sinais visuais indefinidamente, pois algumas informações são relevantes por pouco tempo, outras precisam ser retidas por mais tempo, e algumas devem desaparecer rapidamente.

“Essa memória sensível à luz com uma duração programável cria uma janela de tempo ajustável para o processamento de sinais visuais e de outros sensores diretamente onde são detectados, uma capacidade que pode permitir sistemas de visão mais eficientes e outras tecnologias baseadas em IA sensorial”, afirma um dos pesquisadores.

O estudo ainda está em fase de desenvolvimento do dispositivo, portanto, não é uma substituição direta para os aceleradores de IA ou sensores de imagem atuais. Contudo, aponta para um hardware que pode tornar futuros sistemas de IA menos dependentes da movimentação constante de dados entre sensores, memória e processadores. Se escalado com sucesso, isso pode ajudar dispositivos de IA a se tornarem mais rápidos, compactos e menos consumidores de energia, especialmente em sistemas onde a eficiência energética é crucial.