Os pesquisadores do MIT desenvolveram estruturas de sil\u00edcio capazes de realizar c\u00e1lculos usando calor excedente em vez de eletricidade. O objetivo \u00e9 tornar a computa\u00e7\u00e3o mais eficiente energeticamente em dispositivos.<\/p>\n
As estruturas utilizam calor j\u00e1 presente no sistema para codificar dados como temperaturas. O fluxo de calor pela geometria criada determina o processamento, enquanto a sa\u00edda \u00e9 medida como pot\u00eancia em um terminal mantido a uma temperatura fixa. A arquitetura funciona como computa\u00e7\u00e3o an\u00e1loga.<\/p>\n
Em testes, as estruturas renderizaram multiplica\u00e7\u00e3o de matrizes com mais de 99% de precis\u00e3o. A t\u00e9cnica \u00e9 relevante porque matrizes s\u00e3o centrais para modelos de aprendizado de m\u00e1quina. Ainda h\u00e1 desafios para escalar para modelos de deep learning.<\/p>\n
Silva, aluno de f\u00edsica, liderou o texto; Romano, pesquisador do MIT, \u00e9 o autor s\u00eanior. A obra foi publicada em Physical Review Applied.<\/p>\n
O avan\u00e7o foi possibilitado por um sistema de software que projeta automaticamente um material que conduz calor de maneira espec\u00edfica. O m\u00e9todo, conhecido como design inverso, define a funcionalidade desejada antes de gerar a geometria \u00f3tima.<\/p>\n
O software desenha estruturas de sil\u00edcio min\u00fasculas, do tamanho de gr\u00e3os de poeira, com poros que realizam c\u00e1lculos por condu\u00e7\u00e3o de calor. Dados cont\u00ednuos substituem os bits digitais usados em computa\u00e7\u00e3o tradicional.<\/p>\n
Os coeficientes da matriz s\u00e3o codificados pela geometria. O calor difunde pelo sil\u00edcio de forma a realizar a multiplica\u00e7\u00e3o, com o layout transformando os coeficientes.<\/p>\n
Experimentos por simula\u00e7\u00e3o mostraram resultados promissores em matrizes simples com duas ou tr\u00eas colunas. Tais matrizes podem ser \u00fateis para detec\u00e7\u00e3o de fontes de calor e diagn\u00f3stico em microeletr\u00f4nica.<\/p>\n
A precis\u00e3o chega a 99% em muitos casos, mas a escalabilidade para grandes modelos ainda n\u00e3o ocorreu. A dist\u00e2ncia entre entrada e sa\u00edda e o alcance de banda limitam o uso em deep learning.<\/p>\n
Por envolver calor excedente, a t\u00e9cnica pode ser aplicada diretamente \u00e0 gest\u00e3o t\u00e9rmica e \u00e0 detec\u00e7\u00e3o de gradientes de temperatura em circuitos. A equipe tamb\u00e9m busca sequenciar opera\u00e7\u00f5es entre estruturas.<\/p>\n
Romano comenta que a otimiza\u00e7\u00e3o permite chegar pr\u00f3ximo da matriz desejada sem componentes estranhos. Os pesquisadores pretendem ampliar para opera\u00e7\u00f5es sequenciais e estruturas program\u00e1veis, para evitar redesenhos completos a cada tarefa.<\/p>\n","protected":false},"excerpt":{"rendered":"