- Pesquisadores da Universidade de Pequim anunciaram, em outubro, um chip analógico de alta precisão baseado em memórias resistivas (ReRAM) que atinge 24 bits de precisão em IA, em estágio de laboratório.
- O projeto utiliza uma arquitetura de matrizes escalável, com planos de aumentar de 16×16 para 512×512, visando aplicações em treinamento de grandes modelos, computação científica e simulações.
- A abordagem foca em reduzir o consumo de energia e o hardware necessário, mantendo precisão equivalente à aritmética de ponto flutuante de 32 bits por meio de refinamento iterativo e decomposição matricial.
- O protótipo funciona com processos industriais maduros, como 28 nanômetros ou superiores, e prevê uso inicial em tarefas de médio porte antes de ampliar para supercomputação.
- A equipe aponta relevância estratégica da computação analógica de alta precisão para futuras demandas tecnológicas, mantendo arquiteturas alternativas prontas para novas exigências de IA.
O estudo conduzido na China apresenta pela primeira vez um chip analógico baseado em memórias resistivas (ReRAM) com 24 bits de precisão, voltado para IA. O protótipo é de laboratório e foi desenvolvido por pesquisadores da Universidade de Pequim, com liderança de Sun Zhong.
A equipe afirma que a novidade permite executar tarefas de IA com menos hardware e menor consumo de energia em comparação aos GPUs digitais atuais. O trabalho propõe uma via alternativa à escalabilidade tradicional de clusters, enfatizando precisão elevada em computação analógica.
O objetivo é ampliar a matriz de 16×16 para 512×512 ao longo da evolução do projeto, mantendo compatibilidade com processos de fabricação de 28 nanômetros ou mais. As aplicações previstas incluem treinamento de grandes modelos e supercomputação.
O que houve e quem está envolvido
O chip analógico de alta precisão foi anunciado em outubro, liderado por Sun Zhong, do Instituto de Inteligência Artificial, com colaboração de Cai Yimao e Wang Zongwei, da Escola de Circuitos Integrados. Os pesquisadores descrevem a tecnologia como uma restauração do potencial da computação analógica.
A equipe reforça que o cálculo matricial é a base de inferência e treinamento de IA. Segundo eles, a arquitetura baseada em ReRAM utiliza algoritmos de refinamento progressivo e uma rede de realimentação para alcançar 24 bits de precisão.
Por que importa e para onde pode ir
Os autores destacam que a eficiência da computação digital depende da miniaturização contínua prevista pela Lei de Moore, que tem limites energéticos. A computação analógica, com cálculos conduzidos pelas leis da física, pode reduzir etapas e consumo.
O estudo aponta aplicações em treinamento de modelos de IA, computação científica e simulações físicas de médio porte. A longo prazo, há perspectiva de acelerar métodos de segunda ordem no treinamento de redes neurais e expandir para simulações climáticas, física de partículas e dinâmica de fluidos.
Sobre a escalabilidade e o cenário brasileiro
A proposta prevê evoluir de 16×16 para 128×128 e, posteriormente, 512×512, mantendo-se compatível com processos industriais maduros. A estratégia busca oferecer alternativa aos sistemas digitais, especialmente em contextos com demanda por energia reduzida e maior eficiência.
Entre na conversa da comunidade