Arquitetura de IA inspirada no cérebro aumenta a velocidade e, ao mesmo tempo, reduz drasticamente o consumo de energia

Abstração de duas vias de memória. No nível algorítmico, cada camada mantém um estado compartilhado de baixa dimensão que captura a dinâmica contextual lenta e modula a atividade de disparos rápidos. No lado do hardware, essa separação se reflete em um acelerador heterogêneo que mantém o estado compacto no chip e combina cálculos esparsos e densos para uma execução eficiente. Crédito: Sun et al.

As redes neurais de picos (SNNs) são modelos de IA inspirados na forma como os neurônios biológicos se comunicam. Ao contrário dos neurônios biológicos, que trocam informações por meio de impulsos elétricos, as SNNs dependem de sinais breves conhecidos como picos.

As SNNs têm se mostrado promissoras para reduzir o consumo de energia, pois os desenvolvedores podem garantir que elas processem informações apenas quando ocorrem mudanças significativas, em vez de fazê-lo continuamente. Essa é uma vantagem significativa, considerando que os sistemas atuais de IA consomem uma quantidade substancial de energia.

Embora algumas SNNs anteriores tenham alcançado resultados encorajadores, elas frequentemente enfrentam dificuldades para reter um contexto útil por longos períodos. Esse desafio se torna especialmente pronunciado quando os modelos têm armazenamento de dados limitado ou operam sob restrições energéticas.

Pesquisadores do Imperial College London e da ETH Zurich apresentaram recentemente um conjunto de hardware e software projetado em conjunto que poderia superar essa limitação. Sua arquitetura, descrita em um artigo publicado na revista *Nature Machine Intelligence*, lida de forma eficaz com tarefas de sequências longas, ao mesmo tempo em que é energeticamente eficiente e reduz as necessidades de armazenamento de dados.

“As redes neurais de impulsos se destacam na detecção orientada a eventos”, escreveram Pengfei Sun, Zhe Su e seus colegas. “No entanto, manter o contexto relevante para a tarefa em escalas de tempo longas, tanto algoritmicamente quanto no hardware, respeitando os restritos orçamentos de energia e memória, continua sendo um desafio central. Abordamos isso por meio de um esforço de co-projeto de algoritmo e hardware.”

Projeto de hardware para a arquitetura DMP. Crédito: Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01255-3

Um novo sistema de memória dupla inspirado no cérebro

Estudos anteriores demonstraram que alguns processos neurais são extremamente rápidos, enquanto outros são mais lentos, permitindo que o cérebro retenha informações por mais tempo. A arquitetura desenvolvida por Sun, Su e seus colegas imita essa combinação de processos neurais rápidos e lentos.

A equipe projetou em conjunto componentes de software e hardware que se complementam, baseando-se nos princípios da organização rápida-lenta do cérebro. O software consiste em uma SNN multicamadas que combina uma via de memória lenta com atividade de disparo rápido.

“No nível do algoritmo, inspirados na organização cortical rápida-lenta do cérebro, introduzimos uma rede neural com uma via de memória lenta explícita que, combinada com a atividade de disparos rápidos, possibilita uma arquitetura de via de memória dupla. Nessa arquitetura, cada camada mantém um estado compacto de baixa dimensão que resume a atividade recente e modula a dinâmica de disparos”, escreveram os autores.

“Essa memória explícita estabiliza o aprendizado ao mesmo tempo em que preserva a dispersão orientada por eventos, alcançando precisão competitiva em benchmarks de sequências longas com 40% a 60% menos parâmetros do que redes neurais de disparos equivalentes de última geração.”

Uma vantagem fundamental da arquitetura de memória dupla é que ela processa com eficiência os dados recebidos, ao mesmo tempo em que retém informações importantes e relevantes para a tarefa de forma compacta. A equipe também projetou hardware especializado, otimizado para executar sua SNN.

“No nível do hardware, introduzimos uma arquitetura de computação próxima à memória que aproveita plenamente as vantagens da arquitetura de caminho de memória dupla, mantendo seu estado compartilhado compacto e, ao mesmo tempo, otimizando o fluxo de dados entre caminhos heterogêneos de picos esparsos e memória densa”, escreveram Sun, Su e seus colegas.

Resultados iniciais e possíveis aplicações no mundo real

Os pesquisadores avaliaram sua SNN e o hardware projetado em conjunto por meio de uma série de testes iniciais. Eles mediram a velocidade de conclusão de tarefas de sequências longas (processamento de longos fluxos de dados), o consumo de energia e a taxa de transferência de dados dentro de um tempo fixo.

“Os resultados experimentais demonstram um aumento de mais de quatro vezes na taxa de transferência e uma melhoria de mais de cinco vezes na eficiência energética em comparação com implementações de última geração”, escreveram os autores. “Juntas, essas contribuições mostram que princípios biológicos podem orientar abstrações funcionais que são tanto algoritmicamente eficazes quanto eficientes em termos de hardware, estabelecendo uma estrutura de co-projeto escalável para computação e aprendizado neuromórficos em tempo real.”

A nova SNN e o hardware desenvolvidos por Sun, Su e seus colegas poderiam ser ainda mais aperfeiçoados e testados em uma gama mais ampla de tarefas. No futuro, eles poderiam permitir a análise rápida de grandes quantidades de dados em tempo real sob restrições energéticas. Isso seria valioso para aplicações como robótica, dispositivos vestíveis, IA de ponta e redes de múltiplos sensores conectados.

Escrito por nossa autora Ingrid Fadelli, editado por Gaby Clark e com verificação de fatos e revisão por Robert Egan — este artigo é o resultado de um trabalho humano meticuloso. Contamos com leitores como você para manter vivo o jornalismo científico independente. Se esta reportagem é importante para você, considere fazer uma doação (especialmente mensal). Você receberá uma conta sem anúncios como forma de agradecimento.