Acomputação neuromórfica é um campo emergente que busca desenvolver sistemas que sejam mais eficientes e inteligentes do que os computadores convencionais. O termo “neuromórfico” refere-se à sistemas que imitam a estrutura e o funcionamento do cérebro humano.
Por Susana Taboas
Busquei alguns exemplos específicos de como a computação neuromórfica pode ser aplicada a criptografia, computação e IA para atuar no combate às fraudes utilizando a computação quântica.
Em comparação com os sistemas de computação tradicionais, os sistemas de computação neuromórfica são projetados para consumir menos energia, tornando-os ideais para uso em dispositivos portáteis. Alguns sistemas neuromórficos são de quatro a dezesseis vezes mais eficientes em termos de energia do que outros modelos de IA.
Desempenho
A computação neuromórfica pode oferecer um alto desempenho e velocidade computacionais com baixo consumo de energia. Alguns resultados existentes, embora realizem tarefas simples como a classificação de imagens, têm mostrado uma enorme melhoria no uso da energia e da velocidade em comparação com a computação puramente digital.
Aprendizado
Os processadores neuromórficos não são pré-programados, mas funcionam a partir de conexões entre os circuitos que se estabelecem através do aprendizado constante vindo do tráfego de dados pelo chip dos computadores². Isso contrasta com a IA tradicional, que geralmente requer um grande volume de dados para treinamento.
Resiliência
A computação neuromórfica é resistente à falhas, o que significa que ela pode continuar funcionando mesmo quando alguns de seus componentes falham¹. Isso é diferente da IA tradicional, que pode ser interrompida por falhas de hardware.
Processamento
A IA tradicional usa CPUs (Unidades Centrais de Processamento) e GPUs (Unidades de Processamento Gráfico) para processamento linear e sequencial, o que contrasta com as demandas de cálculos avançados de IA.
A computação neuromórfica, por outro lado, é adequada para o processamento paralelo e interconectado que as redes neurais e os modelos de aprendizagem profunda exigem.
Em resumo, a computação neuromórfica oferece uma abordagem alternativa à IA tradicional, com potencial para superar algumas de suas limitações. No entanto, ambas as tecnologias têm seus próprios pontos fortes e podem ser usadas em diferentes aplicações dependendo das necessidades específicas.
