Novo chip pode reduzir o consumo de energia da IA ​​em 70%

Uma inovação em um chip inspirado no cérebro humano pode reduzir drasticamente o consumo de energia da IA, ao mesmo tempo que torna as máquinas mais inteligentes e adaptáveis.

Por Universidade de Cambridge com informações de Science Daily.

Cientistas criaram um novo tipo de dispositivo nanoeletrônico que pode reduzir significativamente o consumo de energia dos sistemas de inteligência artificial. A inovação funciona copiando a forma como o cérebro humano processa informações, oferecendo uma alternativa mais eficiente ao hardware de IA atual, que consome muita energia.

A equipe de pesquisa, liderada pela Universidade de Cambridge, desenvolveu uma versão modificada do óxido de háfnio que funciona como um “memristor” altamente estável e de baixa energia — um componente projetado para replicar a forma como os neurônios se conectam e se comunicam no cérebro. Suas descobertas foram publicadas na revista Science Advances.

Por que os sistemas de IA atuais consomem tanta energia?

A inteligência artificial moderna depende de chips de computador tradicionais que transferem dados constantemente entre a memória e as unidades de processamento. Essa transferência bidirecional exige grandes quantidades de eletricidade, e a demanda continua a aumentar à medida que a IA se torna mais amplamente utilizada em diversos setores.

A computação neuromórfica oferece uma abordagem diferente. Em vez de separar memória e processamento, ela combina ambos em um só lugar, de forma semelhante ao funcionamento do cérebro. Esse método poderia reduzir o consumo de energia em até 70%, além de permitir que os sistemas aprendam e se adaptem de forma mais natural.

“O consumo de energia é um dos principais desafios do hardware de IA atual”, disse o autor principal, Dr. Babak Bakhit, do Departamento de Ciência dos Materiais e Metalurgia de Cambridge. “Para resolver isso, você precisa de dispositivos com correntes extremamente baixas, excelente estabilidade, uniformidade excepcional entre os ciclos de comutação e dispositivos, e a capacidade de alternar entre muitos estados distintos.”

Uma Nova Abordagem para o Projeto de Memristores

A maioria dos memristores existentes funciona formando minúsculos filamentos condutores dentro de materiais de óxido metálico. Esses filamentos tendem a se comportar de maneira imprevisível e frequentemente requerem altas voltagens, o que limita sua praticidade para computação em larga escala.

Os pesquisadores de Cambridge seguiram um caminho diferente. Eles desenvolveram um filme fino à base de háfnio que alterna entre estados por meio de um mecanismo mais controlado. Adicionando estrôncio e titânio e utilizando um processo de crescimento em duas etapas, eles criaram pequenos canais eletrônicos, conhecidos como ‘junções pn’, nas interfaces entre as camadas.

Em vez de depender da formação e ruptura de filamentos, o dispositivo altera sua resistência ajustando a barreira de energia nessas interfaces. Isso permite uma comutação mais suave e confiável.

Bakhit, que também é afiliado ao Departamento de Engenharia de Cambridge, explicou que esse projeto resolve um problema importante no desenvolvimento de memristores. “Dispositivos filamentosos sofrem com comportamento aleatório”, disse ele. “Mas, como nossos dispositivos comutam na interface, eles apresentam excelente uniformidade de ciclo para ciclo e de dispositivo para dispositivo.”

Ultrabaixo consumo de energia e aprendizado semelhante ao do cérebro

Os testes demonstraram que os novos dispositivos operam com correntes de comutação aproximadamente um milhão de vezes menores do que alguns memristores convencionais à base de óxido. Eles também podem atingir centenas de níveis de condutância estáveis, o que é essencial para a computação analógica “na memória”.

Em experimentos de laboratório, os dispositivos permaneceram estáveis ​​ao longo de dezenas de milhares de ciclos de comutação e mantiveram seus estados programados por cerca de um dia. Eles também demonstraram comportamentos biológicos de aprendizagem essenciais, incluindo plasticidade dependente do tempo de disparo: o processo que permite aos neurônios fortalecer ou enfraquecer suas conexões com base no tempo.

“Essas são as propriedades necessárias se você deseja um hardware capaz de aprender e se adaptar, em vez de apenas armazenar bits”, disse Bakhit.

Desafios remanescentes e potencial futuro

Apesar dos resultados promissores, ainda existem obstáculos a serem superados. O processo de fabricação atual requer temperaturas em torno de 700 °C — superiores às permitidas pela fabricação padrão de semicondutores.

“Este é atualmente o principal desafio em nosso processo de fabricação de dispositivos”, disse Bakhit. “Mas agora estamos trabalhando em maneiras de reduzir a temperatura para torná-la mais compatível com os processos padrão da indústria.”

Se esse problema puder ser resolvido, a tecnologia poderá ser integrada a sistemas práticos em escala de chip. “Se conseguirmos reduzir a temperatura e colocar esses dispositivos em um chip, será um grande avanço”, disse ele.

Anos de tentativas e erros por trás da descoberta.

O avanço ocorreu após vários anos de experimentação e muitos contratempos. Bakhit afirmou que o progresso finalmente acelerou no final do ano passado, quando ele modificou o processo de fabricação, adicionando oxigênio somente após a formação da primeira camada.

“Passei quase três anos nisso”, disse ele. “Houve um número enorme de fracassos. Mas, no final de novembro, vimos os primeiros resultados realmente bons. Ainda é cedo, claro, mas se conseguirmos resolver o problema da temperatura, essa tecnologia poderá revolucionar o setor, porque o consumo de energia é muito menor e, ao mesmo tempo, o desempenho do dispositivo é extremamente promissor.”

Fonte da história:
Materiais fornecidos pela Universidade de Cambridge. Nota: O conteúdo pode ser editado em termos de estilo e extensão.

Referência do periódico :
Babak Bakhit, Xiao Xie, Simon M. Fairclough, Atif Jan, Ingemar Persson, Giuliana Di Martino, Bonan Zhu, Caterina Ducati, Quanxi Jia, Bilge Yildiz, Andrew J. Flewitt, Judith L. MacManus-Driscoll. HfO 2 -based memristive synapses with asymmetrically extended p-n heterointerfaces for highly energy-efficient neuromorphic hardware. Science Advances, 2026; 12 (12) DOI: 10.1126/sciadv.aec2324

---

---