O estudo conduzido na China apresenta pela primeira vez um chip anal\u00f3gico baseado em mem\u00f3rias resistivas (ReRAM) com 24 bits de precis\u00e3o, voltado para IA. O prot\u00f3tipo \u00e9 de laborat\u00f3rio e foi desenvolvido por pesquisadores da Universidade de Pequim, com lideran\u00e7a de Sun Zhong.<\/p>\n
A equipe afirma que a novidade permite executar tarefas de IA com menos hardware e menor consumo de energia em compara\u00e7\u00e3o aos GPUs digitais atuais. O trabalho prop\u00f5e uma via alternativa \u00e0 escalabilidade tradicional de clusters, enfatizando precis\u00e3o elevada em computa\u00e7\u00e3o anal\u00f3gica.<\/p>\n
O objetivo \u00e9 ampliar a matriz de 16\u00d716 para 512\u00d7512 ao longo da evolu\u00e7\u00e3o do projeto, mantendo compatibilidade com processos de fabrica\u00e7\u00e3o de 28 nan\u00f4metros ou mais. As aplica\u00e7\u00f5es previstas incluem treinamento de grandes modelos e supercomputa\u00e7\u00e3o.<\/p>\n
O chip anal\u00f3gico de alta precis\u00e3o foi anunciado em outubro, liderado por Sun Zhong, do Instituto de Intelig\u00eancia Artificial, com colabora\u00e7\u00e3o de Cai Yimao e Wang Zongwei, da Escola de Circuitos Integrados. Os pesquisadores descrevem a tecnologia como uma restaura\u00e7\u00e3o do potencial da computa\u00e7\u00e3o anal\u00f3gica.<\/p>\n
A equipe refor\u00e7a que o c\u00e1lculo matricial \u00e9 a base de infer\u00eancia e treinamento de IA. Segundo eles, a arquitetura baseada em ReRAM utiliza algoritmos de refinamento progressivo e uma rede de realimenta\u00e7\u00e3o para alcan\u00e7ar 24 bits de precis\u00e3o.<\/p>\n
Os autores destacam que a efici\u00eancia da computa\u00e7\u00e3o digital depende da miniaturiza\u00e7\u00e3o cont\u00ednua prevista pela Lei de Moore, que tem limites energ\u00e9ticos. A computa\u00e7\u00e3o anal\u00f3gica, com c\u00e1lculos conduzidos pelas leis da f\u00edsica, pode reduzir etapas e consumo.<\/p>\n
O estudo aponta aplica\u00e7\u00f5es em treinamento de modelos de IA, computa\u00e7\u00e3o cient\u00edfica e simula\u00e7\u00f5es f\u00edsicas de m\u00e9dio porte. A longo prazo, h\u00e1 perspectiva de acelerar m\u00e9todos de segunda ordem no treinamento de redes neurais e expandir para simula\u00e7\u00f5es clim\u00e1ticas, f\u00edsica de part\u00edculas e din\u00e2mica de fluidos.<\/p>\n
A proposta prev\u00ea evoluir de 16\u00d716 para 128\u00d7128 e, posteriormente, 512\u00d7512, mantendo-se compat\u00edvel com processos industriais maduros. A estrat\u00e9gia busca oferecer alternativa aos sistemas digitais, especialmente em contextos com demanda por energia reduzida e maior efici\u00eancia.<\/p>\n","protected":false},"excerpt":{"rendered":"