Uma mudança radical na arquitetura da computação
Pesquisadores chineses apresentaram um revolucionário chip de computação analógica que processa cargas de trabalho de inteligência artificial usando apenas uma fração da energia exigida por processadores digitais convencionais, marcando um importante avanço nos esforços para desenvolver hardware de IA mais sustentável. Em um estudo publicado esta semana na revista Nature Communications, cientistas da Universidade de Pequim demonstraram que seu chip de memória resistiva de acesso aleatório poderia treinar sistemas de recomendação com conjuntos de dados comparáveis em escala aos usados pela Netflix e pelo Yahoo, alcançando velocidades doze vezes maiores que as de processadores digitais avançados e consumindo apenas um duzentos avos da energia.
Conteúdo
O avanço confirma alegações teóricas anteriores e leva a tecnologia além de simples testes matemáticos, chegando a aplicações práticas. O autor principal, Sun Zhong, descreveu a conquista como um passo adiante na fronteira da computação analógica, observando que o novo chip realizou tarefas complexas e manteve as vantagens inerentes de velocidade e eficiência energética da computação analógica. O desenvolvimento ocorre enquanto centros de dados no mundo todo enfrentam uma disparada na demanda por eletricidade, impulsionada pelo treinamento de IA, e algumas instalações consomem tanta energia quanto pequenas cidades.
A pesquisa dá continuidade a um trabalho divulgado inicialmente em outubro, quando a equipe anunciou ter resolvido o que especialistas descrevem como o problema da precisão, que há um século aflige a computação analógica. Na ocasião, os pesquisadores sugeriram que o chip poderia, em tese, alcançar taxas de processamento mil vezes maiores que as de unidades digitais de ponta, como a unidade de processamento gráfico Nvidia H100, além de oferecer eficiência energética cem vezes superior. A publicação mais recente confirma ganhos de desempenho em condições reais, embora mais modestos que as projeções teóricas iniciais, e demonstra recursos para aplicações de recomendação personalizada e processamento de imagens.
Ao contrário dos computadores tradicionais, que processam informações como dígitos binários, zeros e uns, os sistemas analógicos manipulam sinais físicos contínuos, como a corrente elétrica. A computação digital funciona como um interruptor de luz convencional, com apenas duas posições, ligado ou desligado; já a computação analógica se assemelha a um dimmer, que ajusta valores em uma faixa contínua. Essa diferença fundamental permite que chips analógicos realizem cálculos por meio de propriedades físicas, em vez de código binário, evitando o consumo de energia do movimento de dados entre a memória e as unidades de processamento, que limita os processadores convencionais.
O momento desse desenvolvimento é crucial, pois o setor de inteligência artificial enfrenta uma crise energética. Treinar um único modelo de linguagem de grande porte pode consumir megawatts-hora de eletricidade, e centros de dados no mundo todo usam mais energia que alguns países desenvolvidos. Os processadores digitais tradicionais enfrentam limites físicos fundamentais à medida que os fabricantes se aproximam da escala atômica dos componentes semicondutores, tornando cada vez mais necessárias inovações de arquitetura, em vez de avanços na fabricação, para manter o progresso.
No entanto, historicamente, os sistemas analógicos tiveram dificuldades com a precisão. Enquanto os computadores digitais obtêm resultados exatos por meio de algoritmos passo a passo, os dispositivos analógicos eram suscetíveis a interferências e ruídos nos sinais, o que os tornava inadequados para aplicações modernas complexas. Essa limitação relegou a tecnologia analógica a uma curiosidade histórica por décadas, apesar de suas raízes antigas, que incluem o mecanismo de Anticítera, uma calculadora astronômica grega de dois mil anos que usava engrenagens interligadas para prever posições celestes.
Superando a barreira da precisão
A equipe da Universidade de Pequim enfrentou essa limitação com uma arquitetura inovadora de circuito duplo, que combina a velocidade da computação analógica com a precisão dos sistemas digitais. O chip usa células de memória resistiva de acesso aleatório, que armazenam dados ajustando a resistência elétrica entre eletrodos. Ao configurar essas células em dois circuitos distintos, os pesquisadores criaram um sistema que gera rapidamente soluções aproximadas e, em seguida, as refina por meio de processamento iterativo para alcançar precisão comparável à de cálculos digitais de ponto flutuante de 32 bits.
A precisão há muito é o principal gargalo da computação analógica. Como alcançar alta precisão e escalabilidade na computação analógica e, assim, aproveitar suas vantagens inerentes em tarefas computacionais modernas é um problema que há um século aflige a comunidade científica mundial.
Sun Zhong, professor assistente da universidade, explicou que essa abordagem melhora em cinco ordens de grandeza, ou cerca de cem mil vezes, a precisão da computação analógica tradicional. O primeiro circuito produz resultados com uma taxa de erro de aproximadamente um por cento, mas, após três ciclos de refinamento no segundo circuito, o erro cai a níveis comparáveis aos dos processadores digitais padrão. A equipe demonstrou esse recurso ao resolver problemas de inversão de matrizes envolvendo matrizes reais de dezesseis por dezesseis elementos, com precisão de ponto fixo de 24 bits.
A tecnologia de memória resistiva de acesso aleatório no centro dessa inovação representa um afastamento significativo da computação tradicional baseada em transistores. As células RRAM funcionam como memristores, componentes elétricos que registram quanta corrente já passou por elas, alterando sua resistência interna. Essa propriedade permite que o chip armazene e processe informações simultaneamente no mesmo local físico, eliminando a separação entre memória e processador que obriga os computadores convencionais a gastar energia movendo dados de um lado para o outro pelos barramentos.
As operações com matrizes constituem a base matemática da inteligência artificial moderna, do aprendizado de máquina e das comunicações sem fio. Ao treinar redes neurais ou processar sinais para redes 6G, os computadores precisam resolver essas equações, que envolvem vastas grades de números. Os processadores digitais realizam essas tarefas sequencialmente, dividindo os cálculos em longas sequências de operações binárias. O chip analógico processa essas matrizes em paralelo, fazendo os cálculos diretamente nos conjuntos de memória, sem converter os sinais em código binário.
Não é possível exagerar a importância histórica de resolver o problema da precisão. A computação analógica é anterior à tecnologia digital; entre os primeiros exemplos está um integrador hidráulico soviético de 1936, que usava água em movimento dentro de tubos para resolver equações matemáticas. Apesar dessas inovações, problemas de ruído e escalabilidade levaram os sistemas analógicos à obsolescência à medida que a tecnologia digital amadureceu. O novo chip resgata esses conceitos usando tecnologia moderna de memória resistiva, com potencial para reabrir caminhos arquitetônicos abandonados há décadas.
Da teoria matemática às aplicações práticas
Enquanto o anúncio inicial se concentrou nas capacidades teóricas, a publicação mais recente valida o desempenho em cargas de trabalho práticas de IA que refletem as demandas do setor. O chip processou com sucesso sistemas de recomendação personalizada usando conjuntos de dados comparáveis em escala aos utilizados pela Netflix e pelo Yahoo, demonstrando capacidades que vão além de simples testes matemáticos. Em testes de compressão de imagens, o sistema reconstruiu dados visuais com qualidade quase idêntica à da computação digital de precisão total, reduzindo pela metade os requisitos de armazenamento.
Essas aplicações representam as cargas de trabalho intensivas em dados que atualmente pressionam os recursos dos centros de dados no mundo todo. Algoritmos de recomendação impulsionam serviços de streaming, plataformas de redes sociais e sites de comércio eletrônico, processando bilhões de interações de usuários para gerar sugestões personalizadas. A compressão de imagens é essencial para tudo, do streaming de vídeo à geração de imagens médicas, em que reduzir o tamanho dos arquivos sem sacrificar a qualidade economiza largura de banda e custos de armazenamento. A capacidade do chip de realizar essas tarefas com consumo mínimo de energia aponta para seu potencial de transformar o funcionamento desses serviços.
Isso leva a fronteira da computação analógica um passo adiante.
Além das aplicações voltadas ao consumidor, o chip demonstrou recursos em testes de comunicações sem fio, detectando sinais em sistemas massivos de múltiplas entradas e múltiplas saídas. Essa tecnologia é crucial para as futuras redes 6G, nas quais as estações-base precisarão processar enormes conjuntos de antenas em tempo real. O dispositivo igualou o desempenho de processadores digitais nessas tarefas de comunicação usando aproximadamente cem vezes menos energia, o que aponta para aplicações em ambientes com restrições de energia, onde a duração da bateria ou a capacidade de refrigeração limita o hardware tradicional.
As futuras redes sem fio 6G exigirão que as estações-base gerenciem centenas de elementos de antena simultaneamente, processando grandes volumes de dados de sinais em tempo real para manter conexões com dispositivos móveis. As exigências computacionais desses sistemas superam as capacidades dos atuais processadores digitais de sinais, sobretudo em relação às restrições de latência e aos limites de consumo de energia em torres de celular remotas. A capacidade demonstrada pelo chip analógico de detectar sinais de comunicação sem fio com desempenho equivalente ao dos processadores digitais e consumo mínimo de energia o torna especialmente adequado a essas aplicações de telecomunicações.
A economia de energia se torna especialmente significativa quando se considera a escala da infraestrutura moderna de IA. O treinamento de modelos de linguagem de grande porte exige semanas de processamento em milhares de placas gráficas de alto desempenho, consumindo megawatts-hora de eletricidade. Reduzir o consumo de energia em duas ordens de grandeza e, ao mesmo tempo, manter ou aumentar a velocidade de processamento poderia diminuir drasticamente tanto os custos operacionais quanto o impacto ambiental, respondendo às crescentes preocupações com a pegada de carbono do desenvolvimento de inteligência artificial.
O cenário global dos semicondutores
O avanço chega em um momento crítico para o cenário tecnológico global, em que restrições à exportação limitam o acesso da China a GPUs Nvidia avançadas e a outros processadores digitais de alto desempenho. Embora o chip não substitua imediatamente placas gráficas de uso geral, ele oferece uma alternativa especializada para tarefas computacionais específicas que predominam nas cargas de trabalho de treinamento e inferência de IA. Analistas do setor sugerem que isso pode transformar o hardware de IA ao oferecer uma opção eficiente em energia para cálculos baseados em matrizes, que constituem o núcleo das operações de redes neurais.
As comparações com a Nvidia H100, a placa gráfica usada para treinar grandes modelos de linguagem, como o ChatGPT, destacam o potencial de ruptura. As projeções teóricas apontam para uma capacidade de processamento mil vezes maior que a desses processadores digitais em operações específicas com matrizes, com ganhos de cem vezes na eficiência energética. Mesmo os resultados validados em condições reais, com velocidade doze vezes maior e eficiência energética duzentas vezes superior, representam ganhos substanciais em relação à tecnologia atual, predominante em centros de dados no mundo todo.
O processo de fabricação utilizou recursos de fundições comerciais, o que significa que, em tese, a produção poderia ser ampliada sem a necessidade de materiais exóticos ou instalações de fabricação revolucionárias. Essa abordagem prática diferencia a pesquisa de curiosidades de laboratório que não sobrevivem fora de ambientes controlados. Os chips foram fabricados com técnicas padrão de fabricação de semicondutores, indicando que, se a demanda se concretizar, a produção poderá crescer usando as cadeias de suprimentos existentes, sem exigir bilhões em investimentos em infraestrutura.
James Millen, pesquisador do King's College London, contextualizou a importância dos cálculos com matrizes no treinamento de IA. Ele observou que os computadores digitais funcionam como máquinas universais, capazes de calcular qualquer coisa, mas não necessariamente tudo com eficiência ou rapidez. Computadores analógicos projetados para tarefas específicas podem alcançar velocidades e eficiência extraordinárias nessas aplicações, reduzindo potencialmente as enormes demandas de energia do uso crescente de IA.
Limitações técnicas e desenvolvimentos futuros
Apesar dos resultados impressionantes em testes, os pesquisadores reconhecem limitações significativas. Sun Zhong alertou que as aplicações no mundo real talvez apresentem ganhos menores que os sugeridos pelos máximos teóricos. O chip é especializado exclusivamente em cálculos com matrizes, o que significa que acelera apenas as partes do treinamento de IA que envolvem essas operações matemáticas específicas. Se os cálculos com matrizes predominarem em uma determinada carga de trabalho, o ganho de velocidade será significativo; para tarefas computacionais gerais que exigem operações variadas, porém, os benefícios continuam limitados.
Essa realidade sugere que o futuro provavelmente envolverá arquiteturas híbridas, em vez da substituição completa dos processadores digitais por sistemas analógicos. Futuras unidades de processamento gráfico poderão incorporar circuitos analógicos para lidar com partes específicas dos algoritmos de treinamento de IA, sobretudo métodos de otimização de segunda ordem e operações de álgebra linear, mantendo núcleos digitais para a computação de uso geral. Essa integração ainda deve levar anos para chegar a produtos comerciais, mas a pesquisa fornece a base tecnológica para esses avanços.
A computação de borda é outro campo de aplicação promissor. Veículos autônomos, robôs industriais e óculos de realidade aumentada exigem grande capacidade de processamento, mas operam sob restrições rigorosas de bateria e temperatura. As soluções atuais dependem do envio de dados a servidores na nuvem para processamento, o que introduz latência e dependência de conectividade. Chips analógicos capazes de executar localmente inferências complexas de IA, sem as penalidades energéticas dos processadores digitais, poderiam permitir que esses dispositivos funcionassem de forma mais autônoma e ampliar significativamente a duração da bateria.
A escalabilidade é outro desafio. Enquanto os processadores digitais lidam com problemas de qualquer tamanho dividindo-os em partes menores e processando-as sequencialmente, os sistemas analógicos exigem circuitos fisicamente maiores para resolver matrizes maiores. A construção de chips capazes de lidar com os problemas de um milhão por um milhão de variáveis encontrados nos modelos de linguagem modernos de grande porte exigiria avanços substanciais de engenharia. Ainda assim, em aplicações de computação de borda, nas quais as restrições ao consumo de energia são predominantes, até chips analógicos de menor escala poderiam permitir a execução de IA complexa diretamente nos dispositivos, sem depender de conexões com a nuvem.
A equipe de pesquisa afirma que seus próximos objetivos são construir chips maiores e totalmente integrados, capazes de lidar com problemas mais complexos e em velocidades maiores. O sucesso nesse trabalho poderia acelerar o desenvolvimento das comunicações 6G, viabilizar um treinamento mais eficiente de modelos de IA e reduzir o impacto ambiental dos centros de dados, que atualmente consomem parcelas cada vez maiores da produção mundial de eletricidade. À medida que a computação digital se aproxima de limites físicos definidos pela separação entre memória e processamento, as alternativas analógicas oferecem um caminho para continuar aumentando o desempenho sem elevar proporcionalmente o consumo de energia.
Em resumo
- Pesquisadores da Universidade de Pequim desenvolveram um chip analógico de IA que usa memória resistiva de acesso aleatório e alcança velocidade doze vezes maior e eficiência energética duzentas vezes superior às de processadores digitais avançados em tarefas reais de recomendação e processamento de imagens.
- O dispositivo resolve o problema da precisão, que há um século impedia a computação analógica de igualar a precisão digital, usando uma arquitetura de circuito duplo que refina cálculos aproximados para alcançar taxas de erro comparáveis às de sistemas de ponto flutuante de 32 bits.
- Ao contrário dos processadores digitais, que usam zeros e uns binários, o chip manipula sinais elétricos contínuos para realizar cálculos com matrizes diretamente na memória, eliminando o gargalo de movimentação de dados que consome a maior parte da energia na computação convencional.
- A tecnologia foi fabricada com processos comerciais de semicondutores, o que indica potencial para produção em massa, embora as implementações atuais processem matrizes menores que as necessárias para treinar os maiores modelos de IA.
- Entre as aplicações estão sistemas de recomendação personalizada, compressão de imagens, processamento de sinais sem fio 6G e, potencialmente, arquiteturas de computação híbrida que combinam a eficiência analógica com a flexibilidade digital.
- O avanço ocorre enquanto a China enfrenta restrições à importação de GPUs Nvidia avançadas, oferecendo uma alternativa desenvolvida no país para cargas de trabalho específicas de IA e com potencial para reduzir globalmente o consumo de energia dos centros de dados.
