Material inspirado no cérebro pode cortar o consumo de energia da IA em 70%

Vista por muitos como a tecnologia definidora do século 21, a inteligência artificial (IA) enfrenta um obstáculo crucial: o consumo explosivo de energia do hardware que a sustenta. Custo ambiental que cresce cerca de 30% ao ano, esse dado ameaçador pressiona cientistas e empresas a pesquisarem arquiteturas computacionais mais eficientes.

Uma das principais apostas para reverter a trajetória de consumo energético crescente da IA — a chamada computação neuromórfica — projeta hardware inspirado no cérebro humano. É que, em vez de separar processamento e memória, o órgão processa e armazena informações em um só lugar.

Em um estudo recente, publicado na revista Science Adventures, pesquisadores da University of Cambridge, no Reino Unido, apresentam uma nova arquitetura de memristor — dispositivo investigado há cerca de 15 anos como substituto das sinapses em chips de IA — com desempenho energético sem precedentes na categoria.

A novidade está especificamente no material usado: um óxido semicondutor avançado que se auto-organiza internamente para controlar a passagem de corrente. Como resultado, o dispositivo opera com correntes extremamente baixas, reduzindo drasticamente o consumo e superando as limitações atuais.

A abordagem neuromórfica proposta no estudo elimina um dos principais culpados pelo desperdício energético — o chamado “gargalo de Von Neumann” — problema de “engarrafamento” que ocorre em computadores porque o processador (CPU) e a memória (RAM) são componentes separados, trocando informações entre si por meio de um único canal.

Como o novo memristor consegue gastar muito menos energia

O componente central do memristor é um óxido de háfnio, composto já presente nos chips modernos, enriquecido com estrôncio e titânio. Depositado sobre outra camada metálica em duas etapas — a primeira sem oxigênio, a segunda com — esse filme forma naturalmente uma fronteira elétrica entre duas regiões de cargas opostas, que é o coração do dispositivo.

Em vez de criar e romper filamentos condutores — como fazem os memristores convencionais, com desgaste e variabilidade —, o novo material altera sua resistência de forma suave e gradual, deslocando a altura de uma barreira de energia na junção. O resultado é um controle analógico muito mais preciso.

Isso é fundamental, pois, embora um transistor convencional também consuma mais com correntes maiores, ele não precisa “lembrar” estados anteriores. Já o memristor precisa mudar de estado e manter esse estado, e cada mudança tem um custo energético.

Em uma rede neural com milhões de operações por segundo, esse custo se multiplica rapidamente. No caso das arquiteturas propostas no estudo — que integram processamento e memória no mesmo elemento — a literatura científica aponta um potencial de redução superior a 70% no consumo energético dos sistemas de IA atuais.

Desafios e caminhos para aplicação industrial

Em testes de laboratório, o dispositivo mostrou que não só consome pouca energia, como também aguenta ser atualizado muitas vezes e consegue manter o que aprendeu por tempo suficiente — duas condições essenciais para funcionar como uma sinapse artificial.

Os memristores também foram capazes de imitar o modo como o cérebro humano aprende. "São as propriedades necessárias para um hardware capaz de aprender e se adaptar, não apenas armazenar bits", afirma em um comunicado o autor principal do estudo, Babak Bakhit.

A descoberta também chama atenção fora do laboratório: o material é compatível com os processos de fabricação CMOS já amplamente usados pela indústria de semicondutores. Isso abre caminho para sua adoção pela indústria sem a necessidade de mudanças profundas nas linhas de produção.

Apesar do potencial, a tecnologia enfrenta um obstáculo prático: o processo atual exige temperaturas em torno de 700 °C, acima das tolerâncias usuais dos processos padrão da indústria de semicondutores. Segundo Bakhit, a equipe já trabalha em estratégias para reduzir a temperatura “e colocar esses dispositivos em um chip”.