Bradley Theilman e James Aimone, do Laboratório Nacional Sandia, nos Estados Unidos, demonstraram que um processador neuromórfico comercial da Intel é capaz de resolver equações diferenciais parciais, contrariando décadas de expectativas sobre esse tipo de arquitetura.
O resultado indica que computadores inspirados no cérebro humano podem assumir tarefas matemáticas consideradas exclusivas de supercomputadores digitais tradicionais, abrindo caminho para abordagens mais eficientes em problemas científicos e de engenharia.
Arquitetura inspirada no cérebro supera expectativa
Durante anos, especialistas classificaram os sistemas neuromórficos como adequados sobretudo para reconhecimento de padrões ou aceleração de redes neurais artificiais. A suposição predominante era a de que cálculos rigorosos, como aqueles exigidos por equações diferenciais parciais (EDPs), continuariam restritos a máquinas convencionais de alto desempenho.
Essa percepção começou a mudar quando os dois pesquisadores optaram por trabalhar com o processador neuromórfico Loihi, fabricado pela Intel. O dispositivo utiliza sinais elétricos em formato de pulsos, semelhantes aos disparos de neurônios biológicos, para processar dados de forma paralela e potencialmente mais eficiente em termos energéticos.
Segundo Aimone, a conclusão surpreende porque “é possível resolver problemas reais de física com cálculos parecidos com os do cérebro”, contrariando a intuição comum sobre as limitações desse hardware.
Método dos elementos finitos convertido para pulsos
Para aplicar o Loihi a EDPs, Theilman e Aimone precisaram criar um novo algoritmo capaz de traduzir o Método dos Elementos Finitos (MEF) para uma rede neural de pulsos. O MEF é amplamente usado na engenharia para analisar dinâmica de fluidos, campos eletromagnéticos e mecânica estrutural, exigindo a solução de grandes sistemas de equações lineares esparsas.
A etapa de conversão envolveu reconstruir esses sistemas lineares como uma arquitetura de neurônios artificiais que disparam pulsos de modo a representar cada iteração do cálculo. O experimento mostrou que o hardware neuromórfico lida com essas operações de forma escalável, mantendo a precisão necessária para simulações físicas.
Tradicionalmente, a resolução de EDPs demanda vastos recursos computacionais e consumo elevado de energia. A abordagem neuromórfica, ao utilizar circuitos especializados para imitar o funcionamento do cérebro, sugere uma via alternativa com potencial de redução de custos operacionais e tempo de processamento.
Imagem: Tecnologia Inovação Notícias
Pontes entre neurociência e matemática aplicada
Além do avanço tecnológico imediato, o estudo levanta questões sobre a relação entre inteligência biológica e computação. O algoritmo desenvolvido baseia-se em modelos de redes neurais estudados na neurociência, exibindo semelhanças estruturais com circuitos corticais do cérebro.
Ao demonstrar a utilidade prática desse modelo em problemas matemáticos, os autores argumentam que a computação neuromórfica pode servir como plataforma para testar hipóteses sobre o processamento de informação no sistema nervoso. Aimone observa que doenças neurológicas talvez estejam ligadas a falhas nesse tipo de “computação”, e entender melhor esses mecanismos pode auxiliar na pesquisa de condições como Alzheimer e Parkinson.
Próximos passos e implicações
Embora a demonstração se concentre no Loihi e no MEF, o processo de adaptação descrito pelos pesquisadores é potencialmente aplicável a outras técnicas numéricas usadas em simulações científicas. Se confirmada em escala industrial, a eficiência energética e o paralelismo da computação neuromórfica podem redefinir a infraestrutura necessária para projetos de grande porte, desde previsão climática até modelagem estrutural em engenharia civil.
Os resultados ainda precisam ser comparados, de forma sistemática, ao desempenho obtido em supercomputadores tradicionais, mas já indicam um caminho promissor para diversificar as ferramentas de alta performance utilizadas na pesquisa científica.
Com a apresentação desses dados, Theilman e Aimone reforçam que a convergência entre hardware neuromórfico e métodos matemáticos consagrados não só é possível, como pode ampliar a compreensão sobre ambos os campos. A investigação continua a fim de avaliar limites, otimizar algoritmos e explorar novas aplicações que possam beneficiar-se da mesma abordagem.
