Uma série sobre computação neuromórfica – Capítulo 6

Após detalharmos os fundamentos teóricos da Computação Neuromórfica — desde o modelo de processamento por pulsos (SNNs) e o aprendizado local e plástico no Capítulo 4, até a descoberta e o papel do Memristor como a sinapse artificial que permite a memória in-materio no Capítulo 5 — o foco agora se volta para a implementação. O componente que permite o aprendizado no hardware (o memristor) e a regra que guia esse aprendizado (plasticidade) são essenciais. Mas como esses elementos são montados em uma arquitetura funcional e escalável? Este capítulo examina os chips pioneiros da indústria, IBM TrueNorth e Intel Loihi, que transformaram a teoria neuromórfica em hardware de alta eficiência, revelando as abordagens arquitetônicas que definem o campo.

A computação neuromórfica representa um paradigma de hardware que busca imitar a eficiência, o paralelismo e o baixo consumo de energia do cérebro biológico. Nesse cenário, Intel Loihi e IBM TrueNorth são as plataformas de pesquisa e desenvolvimento que lideram a fronteira, cada uma com uma abordagem arquitetônica distinta.

1.  IBM TrueNorth: O pioneiro da escala de núcleos neuro-sinápticos

Lançado em 2014, o TrueNorth foi um marco no campo, sendo o resultado do projeto SyNAPSE (Systems of Neuromorphic Adaptive Plastic Scalable Electronics) financiado pela DARPA. Seu design é focado na escala massiva e na eficiência energética através de uma arquitetura estritamente baseada em eventos.

Conceito do núcleo de processamento

O TrueNorth é um processador de rede neural pulsada (SNN – Spiking Neural Network) que se afasta drasticamente da arquitetura tradicional de von Neumann (onde memória e processamento são separados).

• Arquitetura: Possui um total de 4.096 núcleos neuro-sinápticos.
  
  
• Composição do Núcleo: Cada núcleo é uma unidade independente que integra memória e processamento.
  
  
  • Ele hospeda 256 neurônios programáveis e 65.536 sinapses programáveis (256 × 256 conexões).
    
    
• Mecanismo de Comunicação (Event-Driven):
  
  
  • O chip opera de forma assíncrona e orientada a eventos. Diferente de uma CPU que processa continuamente, os núcleos do TrueNorth só consomem energia e realizam computação quando um neurônio dispara (emite um spike).
    
    
  • Este modelo resulta em um consumo de energia ultrabaixo (cerca de 70 mW para o chip inteiro, apesar dos 5,4 bilhões de transistores), ideal para aplicações de Edge AI e IoT.
    
    
• Capacidades: O chip integra 1 milhão de neurônios e 256 milhões de sinapses, capaz de realizar 46 bilhões de operações sinápticas por segundo por watt.
  
  
• Foco: Sua principal aplicação é a inferência rápida (reconhecimento de padrões, classificação e análise de vídeo em tempo real), sendo otimizado para tarefas sensoriais no local (Edge).
  
  

2. Intel Loihi: Flexibilidade, aprendizado e o SDK Lava

A Intel seguiu o caminho da computação neuromórfica com o Loihi (primeira geração) e o mais recente Loihi 2, focando na flexibilidade, na fidelidade neurocientífica e no aprendizado aprimorado (incluindo aprendizado no próprio chip).

Arquitetura do chip (Loihi 2)

O Loihi é projetado para suportar uma ampla gama de algoritmos inspirados na neurociência.

• Arquitetura: Possui 128 núcleos neuromórficos (em Loihi original) ou até um milhão de neurônios e 120 milhões de sinapses por chip (em Loihi 2).
  
  
• Design: Assim como o TrueNorth, a arquitetura é baseada em SNNs assíncronas e integra processamento e memória.
  
  
• Vantagens do Loihi 2:
  • É fabricado com o processo pré-produção Intel 4, oferecendo maior densidade, eficiência energética e processamento mais rápido (até 10 vezes mais rápido que seu antecessor).
    
    
  • Suporta modelos de neurônios mais biorealisticos e diversos modelos de plasticidade sináptica para aprendizado.
    
    
  • Possui interfaces Ethernet para integração mais fácil e escalabilidade em sistemas maiores (como o supercomputador neuromórfico Pohoiki Springs).
    
    
• Foco: Flexibilidade algorítmica, aprendizado adaptativo em tempo real e emulações neurobiológicas.
  
  

Uso do SDK Lava

O desenvolvimento de software para chips neuromórficos é complexo, exigindo abstração das complexidades do spiking e do hardware. A Intel endereçou isso com o Lava Software Framework.

• O que é Lava? É uma estrutura de software de código aberto (open-source) e modular, projetada especificamente para a computação neuromórfica.
  
  
• Propósito: Serve como uma API unificada que permite aos pesquisadores e desenvolvedores criarem, prototiparem e implantarem aplicativos SNN em qualquer hardware de backend compatível, incluindo CPUs, GPUs e, crucialmente, os chips Loihi.
  
  
• Recursos Principais:
  
  • Portabilidade: Permite que os mesmos algoritmos de SNN sejam executados em hardware Loihi ou simulados em plataformas padrão.
    
    
  • Modularidade: É composto por bibliotecas para otimização de rede (lava-optimization), aprendizado profundo (lava-dl) e modelos de computação inspirados na neurociência.
    
    
  • Abstração: Simplifica a definição de processos (os blocos de construção computacionais) e a maneira como eles se comunicam através de spikes, facilitando a criação de modelos complexos de SNN.
    
    
• Impacto: O Lava visa acelerar a inovação e a comercialização da tecnologia neuromórfica, fornecendo uma ponte robusta e acessível entre a pesquisa acadêmica e o desenvolvimento de produtos.

Comparativo das abordagens

Próximo capítulo

Com os chips TrueNorth e Loihi em foco, concluímos a análise da arquitetura física da Computação Neuromórfica. No entanto, a eficiência e o desempenho de qualquer chip são limitados pelos materiais utilizados e pela forma como os dados são transmitidos. Superar as barreiras do silício e do gargalo elétrico é o próximo grande desafio. No Capítulo 7: Materiais 2D e Fotônica para a Próxima Geração de Computação, exploraremos a vanguarda da física dos semicondutores e da comunicação de dados, introduzindo os Materiais Bidimensionais (2D) para transistores ultrabaixo consumo e a Fotônica para interconexões de dados na velocidade da luz.

Fontes e Referências

• Intel Loihi e SDK Lava: Intel Newsroom (Lançamento Loihi 2 e Lava), documentação oficial do Lava (GitHub, lava-nc.org), artigos de pesquisa da Intel Labs.
• IBM TrueNorth: Publicações sobre o projeto DARPA SyNAPSE, artigo da IBM Research (Modha et al., 2014), artigos de divulgação em plataformas como Inovação Tecnológica e Oficina da Net.