Prévia do material em texto

1/3
Eliminar erros do computador combinando computação e
memória
Um dispositivo reúne memória e processamento, ajudando a minimizar os erros e evitando aumentar as
demandas de energia devido a enormes quantidades de dados.
A dependência da humanidade em computadores e eletrônicos para executar até mesmo a menor
função já é onipresente no mundo desenvolvido e só está pronta para crescer. No coração da
computação estão portas lógicas de transistor que convertem sinais em um fluxo de números binários
(1s e 0s) representando estados “ON” e “OFF”.
Atualmente, este sistema conhecido como a arquitetura von Neumann é a plataforma convencional de
manipulação de dados usada em eletrônica. Consiste em dois componentes para processar os dados;
um para computação usando portas lógicas e outro para memória. Uma combinação de transistores
obtém os resultados desejados, que são transferidos para a memória.
Como o volume de dados que os computadores lidam aumenta, transferi-lo entre esses dois
componentes separados torna-se uma carga significativa, causando atrasos consideráveis e resultando
em altos níveis de consumo de energia - um problema chamado "gargalo de von Neumann".
Isso significa que a arquitetura de von Neumann está se tornando cada vez mais ineficiente quando se
trata de processamento massivo de dados, especialmente à luz da Internet das Coisas (IoT).
https://www.advancedsciencenews.com/what-is-the-internet-of-things/
2/3
Embora muita pesquisa se concentre em reduzir os transistores para que eles possam consumir menos
energia, há um limite mínimo de tamanho para esses sistemas que os pesquisadores devem enfrentar.
Há outra abordagem para esse problema, no entanto, unindo computação e memória e eliminando o
transporte de dados quase completamente.
Reunindo memória e processamento
Um novo artigo publicado na Advanced Intelligent Systems detalha pesquisa liderada por Cheol Seong
Hwang, professor do Departamento de Ciência e Engenharia de Materiais, da Universidade Nacional de
Seul, que propõe a unidade de computação e memória em um “módulo memristivo universal” que
poderia eventualmente realizar computação-em-memória.
“A solução para os problemas da arquitetura de von Neumann é encontrar um novo dispositivo que
possa combinar os componentes de computação e memória em um dispositivo unificado”, disse o co-
autor do artigo Taegyun Park, Ph.D. da Universidade Nacional de Seul. Os pesquisadores encontraram
um dispositivo que pode alterar seu estado de resistência entre a baixa resistência (‘1’) e a alta
resistência (‘0’) aplicando uma tensão elétrica, chamada de memristor. Uma vez que a resistência de um
memristor, seu estado permanece após o cálculo, ele pode ser usado como um dispositivo unificado.
Park explicou que a troca de resistência de um memristor pode ser considerada análoga à abertura e
fechamento de uma torneira ou um toque. O fluxo de água na torneira pode ser considerado o fluxo de
corrente elétrica para o memristor. Um memristor em um estado de alta resistência é equivalente à
torneira sendo virada “desligada” – o fluxo de água é altamente resistivo e evitado.
Quando um memristor está em um estado de baixa resistência, é como uma torneira aberta, com a água
autorizada a fluir facilmente. Parece ótimo no papel, mas os memristores também são problemáticos.
Superar os problemas com os memristors
“Infelizmente, abrir e fechar a torneira, a troca de resistência do memristor, tem variação inevitável, o que
significa que estados parcialmente abertos e parcialmente fechados são possíveis em um memristor”,
acrescentou Park, explicando que isso pode causar problemas de confiabilidade e erros em aplicações
práticas de computação. “Para superar o problema de confiabilidade, é necessário detectar um caso de
erro na computação.”
A equipe abordou limitações com o manuseio de erros que ocorrem quando a tensão aplicada
insuficiente às portas lógicas induz maior probabilidade de erro, exigindo cálculo de energia adicional
para corrigir os erros, criando um dispositivo energeticamente eficiente para detecção e correção de
erros.
O dispositivo combina cinco memristores em um módulo e pode detectar diferentes casos de erro
durante a computação e corrigir o erro em quatro etapas operacionais.
“Demonstramos que as taxas de erro podem ser reduzidas para quase zero, anexando o módulo a um
portão lógico baseado em memristor com menos custo aéreo”, continuou Park. “O módulo pode detectar
e corrigir os diferentes casos de erro durante a computação, o consumo de energia é quatro vezes
menor do que os módulos alternativos de estado da arte.”
https://www.advancedsciencenews.com/artificial-neural-networks-made-from-memristors-for-brain-inspired-computing/
https://onlinelibrary.wiley.com/doi/full/10.1002/aisy.202200341
https://www.advancedsciencenews.com/artificial-neural-networks-made-from-memristors-for-brain-inspired-computing/
3/3
Park disse que o consumo de energia no dispositivo poderia ser levado ao seu nível mais baixo usando
um algoritmo que pode detectar e corrigir simultaneamente o erro. Ele acrescentou que, atualmente, o
módulo pode detectar casos de erro em uma única porta lógica baseada em memristor, mas o sistema
de computação mais extenso requer várias portas lógicas. Quando várias portas lógicas são
introduzidas, uma pequena variação de comutação pode ser acumulada e a equipe ainda precisa testar
seu dispositivo enquanto considera esse acúmulo de erros.
“O próximo objetivo é desenvolver o módulo memristivo universal que pode ser usado com outras
tecnologias em um sistema mais extenso para reduzir as taxas de erro”, concluiu Park.
Referência: T. Park, C. S. (tradução) Hwang., et al., Método Eficiente para Detecção e Correção de Erros
em Computação em In-Memória Baseado em Portões Ex-Lígidos Confiáveis, Sistemas Inteligentes
Avançados, (2023). DOI: 10.1002/aisy.202200341
Crédito da imagem: Angeles Pérez em Unsplash
ASN WeeklyTradução
Inscreva-se para receber nossa newsletter semanal e receba as últimas notícias científicas diretamente
na sua caixa de entrada.
ASN WeeklyTradução
Inscreva-se no nosso boletim informativo semanal e receba as últimas notícias científicas.
https://doi.org/10.1002/aisy.202200341