Novos Dispositivos Podem Romper a "Parede da Memória" da IA

Estados Unidos - Agência de Notícias Ekhbary

Avanço em Tecnologia de Memória Promete Romper a Barreira de Desempenho da IA

Em um desenvolvimento que pode revolucionar a inteligência artificial (IA), uma equipe de pesquisadores da Universidade da Califórnia, San Diego (UCSD), revelou um avanço inovador na Memória Resistiva de Acesso Aleatório (RRAM). Esta inovação aborda diretamente um dos obstáculos mais significativos enfrentados pelos sistemas modernos de IA: a infame "parede da memória". Este gargalo surge do considerável tempo e energia necessários para transferir continuamente dados entre processadores e memória, mesmo para modelos de IA altamente otimizados.

A engenhosidade da RRAM a granel 3D empilhada da equipe da UCSD reside em sua capacidade de realizar tarefas computacionais diretamente dentro das próprias células de memória. Esse paradigma, frequentemente referido como "computação em memória" (in-memory computing), elimina a necessidade de movimento de dados constante e energeticamente intensivo, abrindo caminho para velocidade e eficiência sem precedentes no processamento de IA.

Superando as Limitações da Memória Tradicional

Tradicionalmente, os dispositivos RRAM armazenam dados alterando sua resistência elétrica. No entanto, as tecnologias RRAM convencionais muitas vezes foram atormentadas por instabilidade e complexidade, limitando suas aplicações práticas, especialmente em campos que consomem muitos dados, como a IA. Um problema-chave da RRAM tradicional é sua dependência da formação de "filamentos" condutores dentro de um material resistivo. A criação desses filamentos normalmente requer altas tensões, muitas vezes incompatíveis com os processos de fabricação padrão de semicondutores de óxido metálico complementar (CMOS), dificultando assim a integração perfeita em processadores modernos. Além disso, o processo de formação de filamentos é inerentemente ruidoso e aleatório, levando a imprecisões nos dados – uma desvantagem crítica para modelos de aprendizado profundo que dependem de valores de peso precisos.

Para contornar essas limitações, os pesquisadores da UCSD, liderados pela engenheira elétrica Duygu Kuzum, redesenharam fundamentalmente a arquitetura RRAM. Em vez de depender da formação de filamentos, eles desenvolveram uma nova variante conhecida como "RRAM a granel" (bulk RRAM). Neste design inovador, uma camada inteira de material alterna entre estados de alta e baixa resistência, em vez de formar filamentos localizados. Essa abordagem evita a necessidade de formação de filamentos de alta tensão e elimina a necessidade de "transistores seletores" de isolamento que eram anteriormente necessários para o isolamento das células na RRAM tradicional. Essa simplificação facilita enormemente o complexo processo de empilhamento tridimensional.

Inovação em Empilhamento 3D e Capacidade de Armazenamento

Embora o conceito de RRAM a granel não seja totalmente novo, o grupo da UCSD obteve avanços significativos na miniaturização desses dispositivos e em sua integração em circuitos 3D funcionais. Os pesquisadores reduziram com sucesso os dispositivos RRAM à nanoescala, com dispositivos individuais medindo apenas 40 nanômetros de diâmetro. Crucialmente, eles conseguiram empilhar esses dispositivos RRAM a granel em até oito camadas. Cada célula dentro dessa pilha de oito camadas pode representar seis bits de dados, permitindo que ela contenha 64 níveis de resistência distintos com um único pulso de tensão. Esse alto nível de precisão nos estados de resistência é excepcionalmente difícil de alcançar com a RRAM tradicional baseada em filamentos.

Além disso, as novas pilhas de RRAM a granel operam na faixa de resistência de megaohms (MΩ), um aumento significativo em comparação com a faixa de quiloohms (kΩ) típica da RRAM baseada em filamentos. A Dra. Kuzum observa que essa faixa de resistência mais alta é particularmente vantajosa para operações paralelas, aumentando ainda mais a eficiência da computação em memória.

Aplicação no Mundo Real: Redes Neurais de Aprendizagem Contínua

Para demonstrar o potencial da tecnologia, os pesquisadores construíram um array de memória de 1 kilobyte (KB) usando múltiplas pilhas de RRAM a granel de oito camadas, que notavelmente não requeriam transistores seletores. Este array foi então testado com um algoritmo de aprendizado contínuo, encarregado de classificar dados de sensores vestíveis enquanto integrava continuamente novas informações. Por exemplo, dados de um smartphone vestível poderiam ser usados para determinar com precisão a atividade do usuário, como sentar, caminhar ou subir escadas. Os testes produziram uma impressionante taxa de precisão de 90%, um nível de desempenho comparável ao de redes neurais implementadas digitalmente.

A Dra. Kuzum acredita que esta tecnologia é particularmente adequada para modelos de IA implantados em dispositivos de ponta (edge devices), que precisam aprender e se adaptar ao seu ambiente sem conectividade constante à nuvem. "Estamos realizando extensas caracterizações e otimizações de materiais para projetar um dispositivo especificamente projetado para aplicações de IA", disse Kuzum.

Desafios Futuros e Perspectivas Promissoras

Alec Talin, um cientista de materiais nos Laboratórios Nacionais de Sandia e pesquisador de RRAM a granel que não esteve envolvido no estudo, descreveu este avanço na integração como um passo muito valioso. No entanto, Talin destacou um desafio potencial: a capacidade de retenção de dados por períodos prolongados, particularmente nas altas temperaturas encontradas em ambientes de computação operacionais. Enquanto a equipe da UCSD demonstrou vários anos de retenção de dados à temperatura ambiente, comparável à memória flash, seu desempenho em temperaturas de operação mais altas continua sendo um tópico para investigação adicional. "Este é um dos principais desafios para esta tecnologia", comentou Talin, especialmente no que diz respeito às aplicações de ponta.

Se os engenheiros conseguirem superar esses desafios, a tecnologia de RRAM a granel poderá oferecer benefícios substanciais para todos os tipos de modelos de IA. A "parede da memória" tornou-se um obstáculo cada vez mais formidável nesta década, à medida que a memória convencional luta para acompanhar as crescentes demandas de modelos de IA em larga escala. Qualquer tecnologia que permita a computação ocorrer diretamente dentro da memória oferece um atalho crítico para o avanço da próxima geração de sistemas inteligentes.

Link da Agência de Notícias Ekhbary