Uma equipe de pesquisa liderada pelo Centro de Computação Inspirada no Cérebro da Universidade de Twente demonstrou um novo método para permitir que materiais eletrônicos se adaptem de maneira semelhante ao aprendizado de máquina. Publicado na *Nature Communications*, o trabalho propõe um método de aprendizado físico que elimina a necessidade de algoritmos de software, como a retropropagação. A retropropagação, uma técnica de otimização fundamental na atual revolução da IA, apresenta desempenho superior, mas consome muita energia, enquanto o cérebro humano requer apenas a energia de uma lâmpada para realizar tarefas semelhantes. Embora o hardware neuromórfico possa melhorar a eficiência, os desafios de treinamento dificultam a aplicação de algoritmos de retropropagação.
O novo método proposto pela equipe de Twente, chamado Extração de Gradiente de Alta Frequência (HGE, na sigla em inglês), não requer otimização de software e pode explorar diretamente o ponto de operação ideal de uma rede neural física dentro do hardware. Embora esse método ainda exija a aplicação de perturbações externas, o processo de otimização é concluído internamente no dispositivo, sem depender de computadores digitais e algoritmos de retropropagação. Essa descoberta possibilita a otimização independente de redes neurais físicas, impulsionando potencialmente o desenvolvimento de hardware adaptativo e com baixo consumo de energia.
O professor Wilfred van der Weil, codiretor do BRAINS, afirmou: "Isso abre caminho para a otimização independente de redes neurais físicas e pavimenta o caminho para hardware adaptativo e com baixo consumo de energia." As aplicações potenciais do método HGE são vastas, incluindo sensores inteligentes capazes de ajuste instantâneo e computadores neuromórficos projetados para processamento de informações sustentável e de baixo consumo de energia. Essas aplicações ajudarão a reduzir o consumo de energia de sistemas de inteligência artificial e aprimorarão sua aplicabilidade em cenários do mundo real.
