Chips de matriz de barra transversal Memristor

Uma fotografia exemplar de um chip integrado contendo matrizes de barras transversais de memristores de vários tamanhos feitas na UMass Amherst. Crédito: Can Li

A pesquisa da UMass Amherst demonstra que um dispositivo memristor pode resolver problemas científicos complexos usando significativamente menos energia, superando um dos maiores obstáculos da computação digital.

Uma equipe de pesquisadores, incluindo engenheiros da Universidade de Massachusetts Amherst, provou que seu dispositivo de computação analógico, chamado memristor, pode completar tarefas complexas de computação científica, contornando as limitações da computação digital.

Enfrentando os desafios da computação moderna

Muitas das questões científicas importantes de hoje – desde nanoescala modelagem de materiais para ciência climática em larga escala – pode ser explorada usando equações complexas. No entanto, os actuais sistemas de computação digital estão a atingir o seu limite para realizar estes cálculos em termos de velocidade, consumo de energia e infra-estrutura.

Qiangfei Xia, professor de engenharia elétrica e de computação da UMass Amherst e um dos autores correspondentes da pesquisa publicada na revista Ciência, explica que, com os métodos de computação atuais, toda vez que você deseja armazenar informações ou atribuir uma tarefa a um computador, é necessário mover dados entre a memória e as unidades de computação. Com tarefas complexas movendo grandes quantidades de dados, você basicamente obtém uma espécie de “engarrafamento” de processamento.

Revolucionando a computação com tecnologia Memristor

Uma maneira pela qual a computação tradicional tem buscado resolver isso é aumentando a largura de banda. Em vez disso, Xia e seus colegas da UMass Amherst, da Universidade do Sul da Califórnia, e do fabricante de tecnologia de computação TetraMem Inc. implementaram a computação na memória com tecnologia de memristor analógico como uma alternativa que pode evitar esses gargalos, reduzindo o número de transferências de dados.

A computação na memória da equipe depende de um componente elétrico chamado memristor – uma combinação de memória e resistor (que controla o fluxo de eletricidade em um circuito). Um memristor controla o fluxo de corrente elétrica em um circuito, ao mesmo tempo que “lembra” o estado anterior, mesmo quando a energia é desligada, ao contrário dos atuais chips de computador baseados em transistores, que só podem reter informações enquanto há energia. O dispositivo memristor pode ser programado em vários níveis de resistência, aumentando a densidade da informação em uma célula.

Melhorando a eficiência computacional

Quando organizado em uma matriz de barra cruzada, esse circuito memristivo faz computação analógica usando leis físicas de maneira massivamente paralela, acelerando substancialmente a operação da matriz, a computação mais frequentemente usada, mas que consome muita energia em redes neurais. A computação é realizada no local do dispositivo, em vez de mover os dados entre a memória e o processamento. Usando a analogia do trânsito, Xia compara a computação na memória às estradas quase vazias vistas no auge da pandemia: “Eliminámos o trânsito porque (quase) toda a gente trabalhava a partir de casa”, diz ele. “Trabalhamos simultaneamente, mas apenas enviamos os dados/resultados importantes.”

Anteriormente, esses pesquisadores demonstraram que seu memristor pode completar tarefas de computação de baixa precisão, como aprendizado de máquina. Outras aplicações incluem processamento de sinais analógicos, detecção de radiofrequência e segurança de hardware.

Avanço na computação de alta precisão

“Neste trabalho, propomos e demonstramos uma nova arquitetura de circuito e protocolo de programação que pode representar eficientemente números de alta precisão usando uma soma ponderada de múltiplos dispositivos analógicos de precisão relativamente baixa, como memristores, com uma sobrecarga bastante reduzida nos circuitos, energia e latência em comparação com abordagens de quantização existentes”, diz Xia.

“O avanço para este artigo específico é que ampliamos ainda mais os limites”, acrescenta. “Essa tecnologia não é boa apenas para computação em rede neural de baixa precisão, mas também pode ser boa para computação científica de alta precisão.”

Para a demonstração da prova de princípio, o memristor resolveu equações diferenciais parciais estáticas e evolutivas no tempo, equações de Navier-Stokes e problemas de magnetohidrodinâmica.

“Saímos da nossa própria zona de conforto”, diz ele, indo além dos requisitos de baixa precisão das redes neurais de computação de ponta para a computação científica de alta precisão.

Demorou mais de uma década para que a equipe e colaboradores da UMass Amherst projetassem um dispositivo memristor adequado e construíssem circuitos e chips de computador de tamanho considerável para computação analógica na memória. “Nossa pesquisa na última década tornou o memristor analógico uma tecnologia viável. É hora de mover uma tecnologia tão excelente para a indústria de semicondutores para beneficiar a ampla comunidade de hardware de IA”, diz Xia.

Referência: “Programação de matrizes de memristores com arbitrariamente alta precisão para computação analógica” por Wenhao Song, Mingyi Rao, Yunning Li, Can Li, Ye Zhuo, Fuxi Cai, Mingche Wu, Wenbo Yin, Zongze Li, Qiang Wei, Sangsoo Lee, Hengfang Zhu , Lei Gong, Mark Barnell, Qing Wu, Peter A. Beerel, Mike Shuo-Wei Chen, Ning Ge, Miao Hu, Qiangfei Xia e J. Joshua Yang, 22 de fevereiro de 2024, Ciência.
DOI: 10.1126/science.adi9405



Share. Facebook Twitter Pinterest LinkedIn Tumblr Email

Formado em Educação Física, apaixonado por tecnologia, decidi criar o site news space em 2022 para divulgar meu trabalho, tenho como objetivo fornecer informações relevantes e descomplicadas sobre diversos assuntos, incluindo jogos, tecnologia, esportes, educação e muito mais.