Primeiro chip do mundo de sistema dinâmico neural de milissegundos baseado em memristor de mudança de fase é lançado
Pesquisadores da Universidade de Pequim e do Instituto de Microsistemas e Tecnologia da Informação de Xangai, da Academia Chinesa de Ciências, colaboraram para desenvolver um chip de sistema dinâmico neural baseado em memristor de mudança de fase. Este estudo, publicado na revista Science sob o título 'Sistema dinâmico neural de menos de 10 milissegundos baseado em memristor de mudança de fase', propõe um método de computação na memória controlável que combina física de dispositivos com algoritmos de dinâmica neural. O protótipo do chip reduz a latência para
Primeiro chip do mundo de sistema dinâmico neural de milissegundos baseado em memristor de mudança de fase é lançado
Introdução
Pesquisadores da Universidade de Pequim e do Instituto de Microsistemas e Tecnologia da Informação de Xangai, da Academia Chinesa de Ciências, desenvolveram com sucesso um chip de sistema neurodinâmico baseado em memristor de mudança de fase.
Este resultado de pesquisa, publicado na revista Science sob o título "Sistema Neurodinâmico Sub-10 Milissegundos Baseado em Memristor de Mudança de Fase", propõe um esquema de computação na memória controlável que combina características físicas dos dispositivos com algoritmos neurodinâmicos.
O sistema protótipo reduz a latência de uma única iteração do sistema neurodinâmico para 2,12 milissegundos. Em experimentos divulgados, em comparação com aceleradores dedicados existentes, o sistema obteve melhorias significativas em velocidade e eficiência energética, ao mesmo tempo que realizou reconstrução de superfície cortical de alta fidelidade e geração de malhas tridimensionais.
Gargalo de computação em tempo real de longa data
Os sistemas neurodinâmicos combinam o poder expressivo das redes neurais com o mecanismo de evolução contínua das equações diferenciais.
Isso torna esses sistemas adequados para tarefas que exigem que o modelo represente a evolução de sistemas físicos ao longo do tempo, incluindo:
- Modelagem do mundo físico
- Imagem computacional
- Reconstrução geométrica tridimensional
- Modelagem do estado cerebral
- Simulação científica
- Controle em malha fechada
No entanto, as demandas computacionais desses sistemas são extremamente rigorosas. Resolver modelos neurodinâmicos geralmente requer integração numérica repetida, estimativa de erros e busca adaptativa do tamanho do passo. Cada iteração pode envolver múltiplas avaliações da rede neural e a transferência frequente de dados intermediários entre a memória e a unidade de processamento.
Na arquitetura tradicional de von Neumann, armazenamento e computação são fisicamente separados. Os dados precisam ser transferidos repetidamente entre memória, cache e unidades aritméticas durante todo o processo de computação. Essa transferência de dados consome tempo e energia, às vezes até mais do que o custo das próprias operações matemáticas.
Por quase meio século, o desafio central permaneceu difícil de superar: como os sistemas neurodinâmicos podem alcançar operação de baixa latência para atender aplicações em tempo real, mantendo ao mesmo tempo uma modelagem contínua precisa?
Esquema de computação na memória controlável
A equipe de pesquisa resolveu os problemas acima utilizando duas características programáveis dos dispositivos de memória de mudança de fase:
- Deriva de condutância – varia de forma previsível ao longo do tempo
- Condutância multinível – um único dispositivo pode representar múltiplos níveis estáveis de peso
Os pesquisadores não consideraram esses efeitos físicos apenas como defeitos a serem corrigidos, mas os mapearam diretamente em operações computacionais úteis.
Entre eles, a deriva de condutância é usada para implementar a busca adaptativa do tamanho do passo de integração in situ.
Os estados de condutância multinível são usados para operações de multiplicação-acumulação dentro do próprio array de memória.
Isso criou um sistema de computação na memória controlável, onde partes importantes do algoritmo neurodinâmico são executadas através do comportamento físico do próprio dispositivo.
[Descrição da imagem]
Por que o tamanho do passo adaptativo é importante
Os resolvedores numéricos nem sempre usam o mesmo tamanho de passo temporal.
Quando o sistema modelado muda lentamente, um passo maior pode ser suficientemente preciso e reduzir a carga computacional. Quando o sistema muda rapidamente, um passo menor é necessário para controlar o erro.
O hardware tradicional calcula, compara e ajusta repetidamente esse passo através de lógica digital. O novo sistema, por sua vez, codifica o tamanho do passo de integração efetivo como um estado de condutância do dispositivo de mudança de fase e utiliza sua evolução física controlada durante o processo de busca.
O resultado não é apenas que a memória está mais próxima do processador, mas que o próprio dispositivo de memória participa diretamente da execução do algoritmo.
Condutância multinível para computação de redes neurais
A rede neural embarcada ainda precisa armazenar pesos e executar operações matriciais.
A equipe de pesquisa utilizou estados de condutância multinível programados com precisão para representar esses pesos em um denso array de memória de mudança de fase. A multiplicação matriz-vetor pode ser executada diretamente no array, sem a necessidade de carregar repetidamente valores em multiplicadores e somadores digitais separados.
Combinar a busca adaptativa do tamanho do passo e a inferência da rede neural no mesmo sistema físico pode reduzir:
- Leituras e escritas na memória
- Multiplicações digitais
- Adições repetidas
- Acessos à cache
- Buffers intermediários
- Transferência de dados entre computação e armazenamento
Esse design co-integrado de dispositivo, algoritmo e arquitetura é a principal razão pela qual o chip consegue reduzir a latência enquanto mantém a precisão da modelagem.
Arquitetura do chip e especificações principais
O chip do sistema neurodinâmico é fabricado com processo de 40 nm.
A área total do array de computação na memória e do array de deriva de passo é de apenas 0,28 mm². O design também inclui circuitos de suporte, como geradores de pulso de programação, conversores analógico-digitais, drivers e outra lógica periférica.
O chip opera a 50 MHz. Uma única etapa de integração utiliza um pipeline de nove estágios, com latência de iteração medida de 2,12 ms.
[Descrição da imagem]
Especificações do chip
| Especificação | Valor relatado |
|---|---|
| Processo de fabricação | 40 nm CMOS |
| Área combinada do array ENN-CIM e de deriva de passo | 0,28 mm² |
| Array de memória de mudança de fase | 147K células 1T1R |
| Frequência de operação | 50 MHz |
| Pipeline integrado | 9 estágios |
| Latência de iteração única | 2,12 ms |
| Resistência SET/RESET | 10¹⁰ ciclos |
| Rendimento relatado | Acima de 99,9999% |
O artigo descreve o sistema como uma plataforma neurodinâmica sub-10 milissegundos, e o resultado medido de iteração única relatado é de 2,12 milissegundos.
Comparação de desempenho com aceleradores existentes
A equipe de pesquisa comparou o sistema com hardware dedicado de ponta para sistemas neurodinâmicos e com a GPU NVIDIA A100 em tarefas de modelagem de alta fidelidade.
Para o mesmo tipo de computação neurodinâmica, o chip supostamente alcançou:
- Velocidade 3,82 a 36,27 vezes maior em comparação com aceleradores ASIC dedicados de última geração
- Consumo de energia 11,75 a 24,73 vezes menor em comparação com esses sistemas ASIC
- Em tarefas de reconstrução de superfície cortical, velocidade 50,38 a 478,18 vezes maior em comparação com a GPU NVIDIA A100
| Comparação | Resultado relatado |
|---|---|
| Velocidade vs. ASIC dedicado para sistema neurodinâmico | 3,82x–36,27x mais rápido |
| Consumo de energia vs. ASIC dedicado para sistema neurodinâmico | 11,75x–24,73x menor |
| Velocidade vs. NVIDIA A100 (modelagem cortical) | 50,38x–478,18x mais rápido |
Esses dados são para tarefas e sistemas específicos. Não devem ser interpretados como uma afirmação de que o protótipo é universalmente mais rápido que o A100 em cargas de trabalho de IA de uso geral.
O acelerador é projetado para padrões específicos de computação neurodinâmica. Sua vantagem decorre do mapeamento preciso das tarefas computacionais nas características do dispositivo de mudança de fase e da eliminação de grande parte da movimentação de dados necessária em hardware digital de uso geral.
Reconstrução de superfície cortical em tempo real
A equipe de pesquisa utilizou o chip para reconstruir as superfícies corticais de substância branca e cinzenta e gerar malhas tridimensionais.
O sistema parte de um modelo fechado de gênero zero e evolui para a estrutura cerebral alvo através de um processo neurodinâmico. O caminho de integração deve permanecer suave, mantendo a invariância topológica da superfície.
(Aqui está uma imagem, descrição acima)
Os resultados relatados mostram que a superfície cortical gerada possui as seguintes características:
- Suave
- Fechada
- Topologicamente consistente
- Capaz de representar dobras corticais complexas
- Menos afetada por auto-interseções
- Menos afetada por artefatos não-malha
Os resultados da reconstrução apresentaram bom desempenho nos seguintes indicadores de avaliação geométrica:
- Distância média simétrica da superfície
- Distância de Hausdorff
Esses indicadores medem o quão bem a superfície reconstruída corresponde à estrutura de referência, incluindo o desvio médio e os erros de fronteira mais extremos.
Por que a consistência topológica é importante
Os modelos de superfície cerebral não são úteis apenas porque se parecem com um cérebro visualmente.
Eles também precisam ter uma geometria válida.
Auto-interseções, buracos e regiões não-malha podem levar a análises posteriores não confiáveis, afetando medições anatômicas, navegação, simulação e comparações ao longo do tempo ou entre pacientes.
O método neurodinâmico, ao deformar continuamente um modelo válido para a morfologia alvo, sob um processo de evolução bem controlado, pode preservar a topologia da superfície original enquanto se adapta a estruturas anatômicas complexas.
Impacto potencial em interfaces cérebro-máquina
Futuras interfaces cérebro-máquina precisarão realizar funções que vão muito além do reconhecimento de sinais e da ativação de comandos.
Sistemas avançados podem precisar das seguintes capacidades:
- Ler a atividade neural
- Avaliar o estado cerebral atual
- Prever tendências de evolução do estado
- Selecionar respostas adequadas
- Implementar ajuste de feedback em malha fechada
- Atualizar o modelo com base em novas medições
Esse processo é altamente sensível à latência. Modelos de estado cerebral que exigem processamento offline longo não conseguem alcançar uma resposta interativa real.
A computação neurodinâmica em milissegundos pode suportar representações de estado neural mais personalizadas e continuamente atualizadas, com potencial para impulsionar as interfaces cérebro-máquina do simples reconhecimento de sinais para a modelagem em tempo real e interação adaptativa.
O resultado atual é um protótipo de pesquisa, não um processador de BCI implantável diretamente. Pesquisas adicionais são necessárias em áreas como integração de sistemas, robustez, validação médica, processo de encapsulamento, coleta de dados e aprovação regulatória.
Direções potenciais de aplicação médica
O estudo também revelou perspectivas de aplicação em imagem médica e neurociência computacional.
Possíveis direções futuras incluem:
- Gêmeos digitais do cérebro
- Navegação neurocirúrgica intraoperatória
- Reconstrução cortical em tempo real
- Monitoramento longitudinal da estrutura cerebral
- Auxílio na pesquisa de doenças neurodegenerativas
- Modelagem específica do paciente
- Sistemas de neuromodulação em malha fechada
Para condições como doença de Alzheimer e Parkinson, mudanças sutis na estrutura e função cerebral podem ter significado clínico.
Técnicas de modelagem mais rápidas permitem que pesquisadores ou médicos analisem essas mudanças de forma mais interativa.
No entanto, o chip em si não possui capacidade de diagnóstico de doenças. Qualquer aplicação clínica exigirá modelos médicos validados, conjuntos de dados representativos, estudos prospectivos, testes de segurança em nível de sistema e a devida revisão regulatória.
Mudança de paradigma computacional baseada na física
Um artigo de perspectiva publicado simultaneamente na revista Science observa que este estudo representa uma mudança de paradigma em direção à computação baseada nas propriedades físicas dos dispositivos.
Projetos digitais tradicionais geralmente se dedicam a suprimir comportamentos analógicos, variações de parâmetros e deriva dos dispositivos. Este projeto adota uma abordagem diferente, identificando as características físicas dos dispositivos que podem representar componentes de algoritmos alvo e construindo sistemas computacionais em torno dessas características.
Essa abordagem é particularmente valiosa na era pós-Moore, onde a simples redução dos transistores não consegue mais sustentar ganhos consistentes em custo, energia e desempenho.
Os novos sistemas não dependem mais apenas de transistores menores, mas integram cada vez mais:
- Arquiteturas especializadas
- Computação na memória
- Processamento analógico/sinal misto
- Memórias não voláteis emergentes
- Codesign algoritmo-hardware
- Integração heterogênea
O chip de memristor de mudança de fase é um exemplo desta direção de pesquisa mais ampla.
Equipe de pesquisa e apoio
O projeto foi liderado conjuntamente pelas equipes do Professor Yang Yuchao, da Universidade de Pequim, e do Pesquisador Song Zhitang, do Instituto de Microsistemas e Tecnologia da Informação de Xangai da Academia Chinesa de Ciências.
O artigo na Science lista Lei Kai como primeiro autor. O relatório oficial também menciona colaboradores como Tao Yaoyu, Xie Chenchen, Yan Longhao e Zhu Yixin, entre outros.
O trabalho recebeu apoio dos seguintes projetos e instituições:
- Programa de Pesquisador do Novo Pilar
- Plano Nacional de Pesquisa e Desenvolvimento Chave
- Fundação Nacional de Ciências Naturais da China
- Laboratório Chave de Chips de Computação na Memória de Guangdong
- Projeto de Pesquisa Industrial Chave de Shenzhen
- Plano de Pesquisa Principal 2030 da Universidade de Pequim
O artigo foi publicado na Science, volume 393, edição 6806, páginas 105-112, DOI: 10.1126/science.aee6277.
Aspectos não confirmados pela pesquisa
Os resultados da pesquisa são significativos, mas é necessário esclarecer certas limitações.
Trata-se de um acelerador dedicado
O chip é otimizado para tarefas de sistemas neurodinâmicos e não deve ser visto como um processador de uso geral intercambiável com uma GPU.
Protótipo não equivale a produto comercial
O artigo demonstra um sistema fabricado e verificado experimentalmente, mas a produção em escala, a confiabilidade de campo de longo prazo, os custos de encapsulamento, as ferramentas de software e a implantação em produção continuam sendo desafios de engenharia independentes.
Aplicações médicas são ainda prospectivas
Embora a reconstrução cerebral seja demonstrativa, o diagnóstico ou intervenção clínica exigiria uma quantidade muito maior de evidências médicas.
Sistemas analógicos e memristivos requerem calibração
Dispositivos de mudança de fase apresentam variação, deriva, não linearidade e sensibilidade ambiental. O significado deste estudo reside em controlar e utilizar algumas dessas características, e não em provar que todos os problemas de hardware analógico foram resolvidos.
Perguntas frequentes
O que é um sistema neurodinâmico?
Sistemas neurodinâmicos combinam redes neurais com equações diferenciais de tempo contínuo, permitindo simular a evolução de estados físicos ou biológicos, em vez de apenas produzir previsões estáticas.
O que é um memristor de mudança de fase?
Dispositivos memristivos de mudança de fase armazenam informações alterando estados controláveis do material, gerando diferentes níveis de condutância. Sua condutância pode ser programada, mantida e usada diretamente para computação na memória.
O que significa computação na memória controlável?
Refere-se à capacidade do dispositivo de memória realizar cálculos efetivos enquanto retém dados. Neste chip, a deriva controlável da condutância suporta a busca adaptativa do tamanho do passo, e a condutância de múltiplos níveis suporta operações de multiplicação e acumulação em redes neurais.
Qual a velocidade do novo chip neurodinâmico?
O protótipo relatado completa uma iteração neurodinâmica em 2,12 milissegundos, e o artigo descreve a plataforma completa como um sistema de submilissegundo.
Este chip é mais rápido que a NVIDIA A100?
Na tarefa de reconstrução da superfície cortical testada pelos pesquisadores, o sistema foi relatado como sendo 50,38 a 478,18 vezes mais rápido. Esta é uma comparação de carga de trabalho específica e não implica desempenho superior de IA de uso geral.
Com qual processo o chip foi fabricado?
O chip neurodinâmico foi fabricado usando o processo CMOS de 40 nanômetros. A área total de seu array de computação na memória e deriva do passo é de 0,28 milímetros quadrados.
O chip pode ser usado agora para interfaces cérebro-máquina?
Ainda não pode ser usado como produto clínico pronto. Esta pesquisa fornece uma base de hardware potencial para modelagem cerebral em tempo real no futuro, mas aplicações reais de interface cérebro-máquina exigirão mais integração de sistema, validação e trabalho regulatório.
Onde os resultados da pesquisa foram publicados?
O artigo foi publicado na revista Science, intitulado "Sistema neurodinâmico de submilissegundo baseado em memristores de mudança de fase". Seu DOI é 10.1126/science.aee6277.
Ferramentas relacionadas
- FreeSurfer: Um pacote de software de neuroimagem de código aberto amplamente utilizado para reconstrução da superfície cortical e análise estrutural do cérebro.
- NVIDIA A100 Tensor Core GPU: GPU de datacenter usada como referência de desempenho para modelagem cortical no relatório.
- SciPy Integrate: Fornece ferramentas de integração numérica, demonstrando métodos digitais tradicionais para resolver sistemas dinâmicos contínuos.
- PyTorch: Framework de aprendizado profundo comumente usado para construir modelos de redes neurais incorporadas e equações diferenciais neurais.
- MONAI: Framework de aprendizado profundo de código aberto para fluxos de trabalho de imagens médicas e análise cerebral.
Links relacionados
- Artigo de pesquisa na Science: Artigo revisado por pares descrevendo o sistema neurodinâmico de submilissegundo.
- Anúncio oficial da pesquisa pela Universidade de Pequim: Explicação detalhada do dispositivo, arquitetura, benchmarks e demonstração de reconstrução cerebral pela Universidade de Pequim.
- Artigo de perspectiva na Science: Computação na memória utilizando a física: Artigo de perspectiva complementar sobre computação na memória impulsionada pela física.
- Science Volume 393, Edição 6806: Edição da revista que contém o artigo de pesquisa e comentários relacionados.
- Faculdade de Engenharia de Circuitos Integrados da Universidade de Pequim: Informações oficiais sobre projetos de pesquisa em circuitos integrados da Universidade de Pequim.
- Instituto de Microsistemas e Tecnologia da Informação de Xangai, Academia Chinesa de Ciências: Site oficial do instituto da Academia Chinesa de Ciências que participou da colaboração.
- Revisão de tecnologia memristiva: Revisão de dispositivos memristivos cobrindo armazenamento, computação e sistemas neuromórficos na revista Science.
Resumo
Pesquisadores da Universidade de Pequim e da Academia Chinesa de Ciências construíram um sistema neurodinâmico em chip usando memristores de mudança de fase, realizando computação na memória controlável. O dispositivo mapeia a deriva da condutância para a busca adaptativa do tamanho do passo de integração e usa condutância de múltiplos níveis para cálculos de redes neurais.
Este protótipo de processo de 40 nm requer apenas 2,12 milissegundos por iteração, oferecendo vantagens significativas em velocidade e consumo de energia em comparação com aceleradores dedicados existentes. Na tarefa de reconstrução da superfície cortical, ele gerou modelos cerebrais suaves, fechados e topologicamente consistentes com latências muito menores do que as GPUs testadas.
O chip ainda é um protótipo de pesquisa dedicado, e suas aplicações em medicina e interfaces cérebro-máquina permanecem exploratórias e prospectivas. No entanto, esta pesquisa prova que novas propriedades físicas de memória podem ser usadas como recursos computacionais ativos, e não apenas como mecanismos de armazenamento.
O avanço central não é simplesmente construir um chip mais rápido — é transformar o comportamento da memória de mudança de fase em um componente integrante do próprio cálculo neurodinâmico, através do codesign do dispositivo e do algoritmo.