Chips neuromórficos exigem comparação além de consumo e velocidade

A computação neuromórfica avança como alternativa para tarefas de percepção e decisão executadas perto do sensor, como monitoramento, robótica e dispositivos vestíveis. Seus chips processam sinais por eventos, mas a prometida economia de energia não se aplica automaticamente a toda aplicação de inteligência artificial.

Essas arquiteturas usam neurônios artificiais que acumulam estímulos e emitem pulsos quando atingem determinado limiar. Em vez de analisar continuamente todos os dados, o circuito pode permanecer pouco ativo enquanto não há mudança relevante. A proposta também aproxima processamento e memória, buscando reduzir a movimentação de informações, que é uma fonte importante de consumo nos computadores convencionais.

Eficiência depende do que entra na medição

O benefício é mais plausível quando os dados são esparsos e temporais, como os gerados por câmeras de eventos, que registram alterações locais de luminosidade em vez de quadros completos. Ainda assim, comparar soluções requer olhar além dos watts do acelerador: tarefa e base de dados, acurácia, latência, volume de eventos, precisão numérica, consumo em repouso e gastos com sensor, memória, comunicação, entrada e saída precisam estar declarados.

Os resultados disponíveis mostram por que não há uma superioridade geral das redes neurais de impulsos. Em classificação cardíaca, uma SNN executada no Intel Loihi teve menor potência dinâmica que alternativas convencionais, mas registrou maior latência e produto energia-atraso pior do que os aceleradores Neural Compute Stick 2 e Coral Edge TPU avaliados. Em outro cenário, o NorthPole, da IBM, reportou ganhos de desempenho por watt e de latência em inferência de ResNet-50 frente a uma GPU de processo comparável; a comparação foi divulgada pela própria empresa e se limita a uma carga específica de inferência.

Na prática, a tecnologia tende a complementar CPUs, GPUs e outros aceleradores, não a substituí-los. O Loihi 2, da Intel, permanece uma plataforma de pesquisa, enquanto soluções como o Akida, da BrainChip, oferecem ferramentas para medições em aplicações específicas. Câmeras de eventos também costumam operar em conjuntos híbridos, integradas a câmeras convencionais e outros sensores. Treinar redes de impulsos, criar ferramentas de programação e estabelecer benchmarks reproduzíveis continuam entre os obstáculos para ampliar a adoção.

A inspiração no sistema nervoso está no modo de organizar sinais e conexões, e não na reprodução integral do cérebro humano. Para usos ligados ao corpo, como dispositivos vestíveis, a possibilidade é manter análise local contínua com menor envio de dados; porém, segurança, precisão e consumo do conjunto completo permanecem critérios decisivos. No Brasil, um resultado preliminar de chamada do MCTI/Finep listou uma proposta de Centro de Excelência em Computação Neuromórfica com participação da UFPA. A indicação aponta atividade de pesquisa e infraestrutura, sem comprovar fabricação nacional de chips ou adoção industrial em escala.

Para mais informações, siga o Diário do Norte.