Amplamente reconhecida como a tecnologia mais transformadora do século 21, a inteligência artificial (IA) enfrenta um desafio crítico: o enorme e crescente consumo de energia de seu hardware. Esse custo ambiental, que aumenta aproximadamente 30% ao ano, pressiona cientistas e empresas a desenvolverem arquiteturas computacionais mais eficientes.
Uma das principais estratégias para reverter esse cenário de gasto energético crescente é a computação neuromórfica, que projeta hardware inspirado no funcionamento do cérebro humano. Diferente dos computadores tradicionais, o órgão processa e armazena informações no mesmo local, eliminando a separação entre processamento e memória.
Em uma pesquisa recente, divulgada na revista Science Adventures, especialistas da Universidade de Cambridge, no Reino Unido, revelaram uma nova arquitetura de memristor. Este componente, estudado há cerca de 15 anos como uma alternativa para as sinapses em chips de IA, apresentou um desempenho energético inédito em sua categoria.
A grande inovação está no material empregado: um óxido semicondutor avançado que se reorganiza internamente para regular a corrente elétrica. Com isso, o dispositivo opera com fluxos de corrente extremamente reduzidos, diminuindo de forma drástica o consumo e superando as limitações atuais da tecnologia.
A abordagem neuromórfica apresentada no estudo elimina um dos principais responsáveis pelo desperdício de energia: o chamado “gargalo de Von Neumann”. Esse problema de “engarrafamento” ocorre em computadores porque o processador (CPU) e a memória (RAM) são elementos separados, que trocam informações por meio de um único canal.
O mecanismo de economia do novo memristor
O elemento central do memristor é um óxido de háfnio, composto já utilizado em chips modernos, enriquecido com estrôncio e titânio. Depositado sobre uma camada metálica em duas etapas — a primeira sem oxigênio e a segunda com esse elemento —, esse filme forma naturalmente uma fronteira elétrica entre duas regiões de cargas opostas, que constitui o núcleo do dispositivo.
Ao contrário dos memristores convencionais, que criam e rompem filamentos condutores, sofrendo desgaste e apresentando variabilidade, o novo material altera sua resistência de maneira suave e gradual, deslocando a altura de uma barreira de energia na junção. Esse processo resulta em um controle analógico muito mais preciso.
Essa precisão é fundamental. Um transistor comum também consome mais energia com correntes elevadas, mas não precisa “lembrar” estados anteriores. Já o memristor precisa mudar de estado e mantê-lo, e cada alteração tem um custo energético. Em uma rede neural que realiza milhões de operações por segundo, esse custo se multiplica rapidamente.
Nas arquiteturas propostas no estudo, que integram processamento e memória no mesmo elemento, a literatura científica indica um potencial de redução superior a 70% no consumo energético dos sistemas de IA atuais.
Obstáculos e perspectivas para aplicação industrial
Em testes laboratoriais, o dispositivo demonstrou não apenas baixo consumo de energia, mas também capacidade de ser atualizado inúmeras vezes e de manter o que aprendeu por um período suficiente. Essas duas condições são essenciais para que funcione como uma sinapse artificial.
Os memristores também conseguiram imitar o processo de aprendizado do cérebro humano. “Essas são as propriedades necessárias para um hardware capaz de aprender e se adaptar, e não apenas armazenar bits”, afirmou, em comunicado, o autor principal do estudo, Babak Bakhit.
A descoberta também chama a atenção da indústria: o material é compatível com os processos de fabricação CMOS amplamente utilizados no setor de semicondutores. Isso abre caminho para sua adoção sem a necessidade de grandes modificações nas linhas de produção atuais.
Apesar do potencial, a tecnologia enfrenta um desafio prático. O processo atual exige temperaturas em torno de 700 °C, um valor acima das tolerâncias comuns dos padrões industriais de semicondutores. De acordo com Bakhit, a equipe já trabalha em estratégias para reduzir essa temperatura “e colocar esses dispositivos em um chip”.
