Neuromorphic Computing, a resposta para o gargalo da computação
Na atualidade já é tido como comum a presença de inteligências artificiais no nosso cotidiano, sejam elas para reconhecimento facial, de fala e até mesmo de gestos. Um dos exemplos mais famosos é a inteligência artificial da empresa Microsoft, a “Cortana”, que conta com vários mecanismos para auxiliar o usuário. Esses sistemas são conhecidos pelo modelo de capacidade cognitiva que percebe seu ambiente e toma atitudes que maximizam suas chances de sucesso, a partir de uma arquitetura de software que tenta imitar o funcionamento do cérebro humano (Neural Networks). Resumidamente essa espécie de “machine learning” executa uma tarefa a partir de tentativa e erro, sendo que para cada tentativa o sistema se rearranja a fim de produzir um resultado diferente do anterior.
Com a invenção de um novo componente eletrônico passivo e o estudo de diferentes arranjos na eletrônica analógica, foi possível iniciar um novo movimento científico e computacional chamado de Neuromorphic Computing, do português Computação Neuromórfica. Tal movimento almeja estruturar circuitos eletrônicos que tentam copiar arquiteturas neuro-biológicas presentes no sistema nervoso com o intuito de criar um hardware capaz de implementar modelos de “percepção”, controle motor e integração multissensorial com o processamento de dados.
Neuromorphic Engineering (Engenharia Neuromórfica), também conhecida como Neuromorphic Computing, foi um conceito inicialmente desenvolvido por Carver Mead, no final da década de 1980, descrevendo tal uso para sistemas de integração em escala muito grande (VLSI – Very Large Scale Integration) contendo circuitos eletrônicos analógicos e, desde então, vem sendo desenvolvido e aplicado na construção de computadores como a máquina SpiNNaker localizada em Manchester (Reino Unido) e o modelo físico BrainScaleS localizada em Heidelberg (Alemanha).
Para a construção de tais equipamentos é necessário a utilização de circuitos que imitam as células nervosas, possibilitando o evento biológico chamado de sinapse. Existem vários meios propostos para realizar esta tarefa, porém, a fim de implementar o conceito chamado de neuroplasticidade, que propõem a habilidade das redes neurais de se rearranjar e mudar através do crescimento e reorganização, é utilizado o componente passivo mencionado anteriormente conhecido como Memristor conforme é mostrado mais profundamente em Merkel C., Kudithipudi D. (2017) Neuromemristive Systems: A Circuit Design Perspective. In: Suri M. (eds) Advances in Neuromorphic Hardware Exploiting Emerging Nanoscale Devices. Cognitive Systems Monographs, vol 31. Springer, New Delhi. (https://doi.org/10.1007/978-81-322-3703-7_3).
A característica mais proeminente das máquinas neuromórficas é sua velocidade de execução. A maior parte dos hardwares hoje é baseada na arquitetura de von Neumann, que separa memória e processamento e, como os chips von Neumann precisam transportar informações de um lado para o outro entre a memória e a CPU, eles perdem tempo e energia (um problema conhecido como gargalo de von Neumann). A fim de colocar mais transistores nesses processadores, os fabricantes de chips por muito tempo foram capazes de aumentar a quantidade de capacidade de computação de um chip simplesmente diminuindo o tamanho da sua arquitetura. Mas há problemas com o encolhimento de transistores como seus requisitos de energia e o calor que eles emitem significam que, sem uma mudança nos fundamentos do chip, este tipo de estrutura estará em breve obsoleta.
Para resolver esse problema algumas soluções já foram propostas como a computação quântica e os sistemas neuromórficos, porém, tendo em vista as capacidades do sistema proposto neste texto, é certamente mais provável que este seja comercialmente implementado antes.
Como exemplo para comparação, o sistema SpiNNaker funciona em tempo real, já o BrainScaleS é implementado como um sistema acelerado e opera em 10.000 vezes em tempo real. Simulações em supercomputadores convencionais executam fatores típicos de 1000, se mostrando mais lentos do que a biologia além de não poderem acessar as escalas de tempo imensamente diferentes envolvidas no aprendizado e desenvolvimento que variam de milissegundos a anos, o que será um grande salto além dos limites do modelo de computação atual como foi muito bem colocado pelos pesquisadores e integrantes do Human Brain Project em seu website https://www.humanbrainproject.eu/en/.
Porém para a implementação de tais sistemas existem alguns desafios substancialmente complexos. As normas de computação atuais por exemplo, tais como a maneira como os dados são codificados e processados, sofrerão uma drástica mudança assim como as linguagens de programação deverão ser reescritas para encaixar no novo meio de processar dados. Um exemplo deste problema é lidar com a entrada visual: os sistemas convencionais os entendem como uma série de quadros individuais (pixels), enquanto um processador neuromórfico codifica essas informações como mudanças em um campo visual ao longo do tempo o que se aproxima da cognição humana.
Além disso, embora o conceito interdisciplinar de engenharia neuromórfica seja relativamente novo, muitas das mesmas considerações éticas se aplicam a sistemas neuromórficos como se aplicam a máquinas semelhantes a humanos e inteligência artificial em geral. No entanto, o fato de os sistemas neuromórficos serem projetados para imitar o cérebro humano dá origem a questões éticas únicas em torno de seu uso. Limitações éticas significativas podem ser impostas à engenharia neuromórfica devido à percepção do público. Uma pesquisa realizada pela Comissão Europeia (Special Eurobarometer 382) , descobriu que 60% dos cidadãos da União Europeia queriam a proibição de robôs no cuidado de crianças, idosos ou deficientes. Além disso, 34% eram a favor da proibição de robôs na educação, 27% na saúde e 20% no lazer. A Comissão Europeia classifica essas áreas como notavelmente “humanas”, com isso o relatório cita o aumento da preocupação do público com robôs que são capazes de imitar ou replicar funções humanas.
Apesar dos desafios e condições éticas da área, podemos concluir que os avanços na tecnologia e no entendimento da capacidade cognitiva humana ,que este movimento proporciona, superam as preocupações com sua implementação.
Gostou do texto? Deixe um comentário!
Escrito por: Hugo Stein
