Hoje, os avanços em inteligência artificial têm sido possíveis graças a grandes centros de dados que processam milhões de cálculos por segundo. Aplicativos como o ChatGPT, os assistentes virtuais ou os sistemas de reconhecimento facial que usamos nos celulares funcionam graças a esse tipo de infraestrutura. No entanto, esse modelo gerou um problema: requer quantidades massivas de energia, o que não só eleva os custos, mas também traz consequências ambientais. A isso se soma o fato de que a capacidade de continuar aumentando o poder dessa ferramenta, como vinha ocorrendo nas últimas décadas, está começando a se estagnar.
Isso traz como desafio: para manter o ritmo de inovação e ampliar o acesso a sistemas inteligentes, torna-se necessário explorar novas formas de processamento que não dependam de grandes centros de dados nem de altos consumos de energia, especialmente em um contexto em que a inteligência artificial (IA) começa a se expandir rapidamente.
Como resposta, na Usach, o professor do Departamento de Engenharia de Computação, Dr. Javier Baladrón, lidera o projeto NeuroMetaEvo, que aposta na computação neuromórfica, uma tecnologia que replica a forma como o cérebro opera, na qual os neurônios são ativados apenas quando necessário, por meio de sinais elétricos breves. Essa visão é baseada em uma ideia central: que a IA pode avançar melhor quando se inspira diretamente na forma como as pessoas aprendem.
"Sempre foi uma grande pergunta para mim como nós, por meio do cérebro, conseguimos resolver tarefas complexas que as máquinas não conseguiam resolver. Para mim, o caminho para a inteligência artificial sempre foi entender como o cérebro fazia isso para poder replicar esses mecanismos nas máquinas. O cérebro humano utiliza muito menos energia do que os sistemas de inteligência artificial. De fato, com 20 watts, ele pode realizar muitas das tarefas que todos nós fazemos todos os dias", explica o professor.
Para alcançar esse objetivo, o projeto desenvolverá novas formas de treinamento para essas redes inspiradas no cérebro. Em vez de usar os métodos tradicionais da inteligência artificial, que exigem cálculos matemáticos complexos, serão utilizadas as chamadas meta-heurísticas. Elas funcionam de forma semelhante à maneira como a natureza atua: por exemplo, testando diferentes soluções, descartando as que não funcionam bem e ficando com as mais eficazes, como ocorre na evolução biológica. Dessa forma, a rede vai "aprendendo" a resolver uma tarefa sem que alguém precise dizer exatamente como fazer. Além disso, serão incorporados princípios da plasticidade sináptica, que é a capacidade do cérebro de ajustar suas conexões de acordo com a experiência. Ou seja, se algo funciona, o sistema reforça esse caminho; caso contrário, busca outra forma.
"O desafio está em encontrar uma forma de aprendizagem que não dependa de cálculos precisos, mas que permita que a rede se adapte sozinha, como fazemos quando aprendemos com a experiência", comenta.
Experimentar, ajustar e validar a aprendizagem
A proposta será desenvolvida em duas linhas de trabalho complementares. Primeiro, esses algoritmos serão criados e testados em um ambiente de simulação chamado ANNarchy, uma plataforma que permite observar como se comportam as redes inspiradas no cérebro antes de levá-las para o mundo físico. Ou seja, funciona como um laboratório virtual onde é possível experimentar, ajustar e validar a aprendizagem dessas redes sem precisar ainda fabricar o hardware.
Depois, quando os algoritmos estiverem prontos, outra equipe trabalhará em sua implementação em FPGAs, que são chips eletrônicos reprogramáveis. Esses circuitos permitem construir versões físicas dos sistemas neuromórficos, ou seja, máquinas que processam a informação de forma semelhante ao cérebro. Assim, a ideia é unir o software ao hardware para verificar se tudo funciona em conjunto, tal como ocorreria em um dispositivo real.
"Primeiro simulamos tudo em um ambiente digital para observar como se comportam essas redes e fazer os ajustes necessários, e depois levamos esses modelos para o mundo físico utilizando chips reprogramáveis. Com isso, podemos construir uma espécie de cérebro artificial em um circuito. Ao final do projeto, a meta é que ambas as partes se integrem: que os algoritmos que desenvolvemos funcionem de forma eficiente dentro do hardware que projetamos", explica Baladrón.
Uma das principais vantagens dessa tecnologia é seu potencial de uso em dispositivos que requerem IA, mas não podem incorporar sistemas complexos devido ao tamanho ou ao consumo, como relógios inteligentes, drones ou sensores portáteis.
"Precisamos de algo que seja leve, que possamos levar com a gente, mas que mesmo assim tenha uma capacidade de processamento muito alta. Esse tipo de aplicação é perfeito para a computação neuromórfica", afirma.
Além do seu impacto tecnológico, o projeto contempla uma colaboração ativa com a Universidade Tecnológica de Chemnitz, na Alemanha, referência em inteligência artificial neuromórfica, e busca fortalecer o desenvolvimento dessa área no Chile por meio da formação de estudantes, publicações científicas e software aberto. "Queremos levar a computação neuromórfica do ponto em que está hoje até, pelo menos, o nível alcançado atualmente pelos sistemas de inteligência artificial", conclui Baladrón.