Saltar para o conteúdo

Engenharia neuromórfica

Origem: Wikipédia, a enciclopédia livre.

Engenharia neuromórfica, também conhecida como computação neuromórfica,[1][2][3] é um conceito desenvolvido por Carver Mead no final da década de 1980, descrevendo o uso de sistemas de integração de grande escala ou "VLSI" (em inglês)[4] que contenham circuitos analógicos eletrônicos para imitar as arquiteturas neurobiológicas presentes no sistema nervoso.[5] O termo neuromórfico tem sido usado para descrever sistemas de integração de grande escala analógicos, digitais, sistemas de modo analógico/digital misto e sistemas de software que implementam modelos de sistemas neurais (para percepção, controle motor ou integração multimodal[6][7]).[8]

A engenharia neuromórfica é um assunto interdisciplinar sustentado pela neurociência, biologia, física, matemática, ciência da computação e engenharia elétrica para projetar sistemas neuronais artificiais, como sistemas de visão, processadores auditivos e robôs autônomos, cuja arquitetura física e princípios de design são baseados nesses sistemas nervosos biológicos.[9]

Em 2019, uma equipe de pesquisa criou uma rede neuromórfica (redes neuromórficas são formadas pela auto-montagem aleatória de nanofios de prata revestidos com uma camada de polímero após a síntese na qual as junções entre dois nanofios atuam como interruptores resistivos, geralmente comparados com neurossinapses). Usando essa rede, os cientistas geraram características elétricas semelhantes às associadas a funções cerebrais de ordem superior exclusivas dos seres humanos, como memorização, aprendizado, esquecimento, alerta e retorno à calma.[10]

Considerações éticas

[editar | editar código-fonte]

Embora o conceito interdisciplinar de engenharia neuromórfica seja relativamente novo, muitas das mesmas considerações éticas se aplicam aos sistemas neuromórficos que se aplicam às máquinas humanas e à inteligência artificial em geral. No entanto, o fato de os sistemas neuromórficos serem projetados para imitar o cérebro humano gera questões éticas únicas em torno de seu uso.[11]

Preocupações democráticas

[editar | editar código-fonte]

Limitações éticas significativas podem ser colocadas na engenharia neuromórfica devido à percepção do público.[12]

À medida que os sistemas neuromórficos se tornam cada vez mais avançados, alguns estudiosos advogam a concessão de direitos de pessoalidade[13] a esses sistemas.[14]

Posse e direitos de propriedade

[editar | editar código-fonte]

Há um debate jurídico significativo sobre direitos de propriedade e inteligência artificial.[15]

Sistemas neuromemristivos

[editar | editar código-fonte]

Os sistemas neuromemristivos são uma subclasse de sistemas de computação neuromórficos que se concentram no uso de memristores para implementar a neuroplasticidade.[16] Enquanto a engenharia neuromórfica se concentra em imitar o comportamento biológico, os sistemas neuromistores se concentram na abstração. Por exemplo, um sistema neuromensivo pode substituir os detalhes do comportamento de um microcircuito cortical por um modelo de rede neural abstrata.[17]

Para circuitos memristivos passivos ideais, é possível derivar um sistema de equações diferenciais para evolução da memória interna do circuito (Caravelli-Traversa-Di Ventra):[18]

como uma função das propriedades da rede memristive física e as fontes externas. Na equação acima, é a constante da escala de "esquecimento" do tempo , e é a razão dos valores off (desligado) e on (ligado) das resistências limite dos memristors, é o vetor das fontes do circuito e é um projetor nos loops fundamentais do circuito. A constante tem a dimensão de uma tensão e está associada às propriedades do memristor; sua origem física é a mobilidade da carga no condutor. A matriz diagonal e o vetor e , respectivamente, são o valor interno dos memristores, com valores entre 0 e 1. Essa equação requer, portanto, adicionar restrições extras aos valores da memória para ser confiável.

Referências

  1. Monroe, D. (2014). «Neuromorphic computing gets ready for the (really) big time». Communications of the ACM. 57 (6): 13–15. doi:10.1145/2601069 
  2. Zhao, W. S.; Agnus, G.; Derycke, V.; Filoramo, A.; Bourgoin, J. -P.; Gamrat, C. (2010). «Nanotube devices based crossbar architecture: Toward neuromorphic computing». Nanotechnology. 21 (17). 175202 páginas. Bibcode:2010Nanot..21q5202Z. PMID 20368686. doi:10.1088/0957-4484/21/17/175202 
  3. The Human Brain Project SP 9: Neuromorphic Computing Platform no YouTube
  4. «Digital Electronics - A Modern Approach by B K Jain». Consultado em 2 de maio de 2017 
  5. Nanoneurons Enable Neuromorphic Chips for Voice Recognition por Dexter Johnson (2017)
  6. Stein, BE.; Stanford, TR.; Rowland, BA. (Dezembro de 2009). «The neural basis of multisensory integration in the midbrain: its organization and maturation.». Hear Res. 258 (1–2): 4–15. PMC 2787841Acessível livremente. PMID 19345256. doi:10.1016/j.heares.2009.03.012 
  7. Lewkowicz DJ, Ghazanfar AA (Novembro de 2009). «The emergence of multisensory systems through perceptual narrowing» (PDF). Trends Cogn. Sci. (Regul. Ed.). 13 (11): 470–8. PMID 19748305. doi:10.1016/j.tics.2009.08.004 
  8. Zhou, You; Ramanathan, S. (1 de agosto de 2015). «Mott Memory and Neuromorphic Devices». Proceedings of the IEEE. 103 (8): 1289–1310. ISSN 0018-9219. doi:10.1109/JPROC.2015.2431914 
  9. Boddhu, S. K.; Gallagher, J. C. (2012). «Qualitative Functional Decomposition Analysis of Evolved Neuromorphic Flight Controllers». Applied Computational Intelligence and Soft Computing. 2012: 1–21. doi:10.1155/2012/705483 
  10. «Brain-like functions in a neuromorphic network». Tech Explorist (em inglês). 25 de dezembro de 2019. Consultado em 26 de dezembro de 2019 
  11. Bowman, Diana M.; Garden, Hermann; Stroud, Clare; Winickoff, David E. (12 de fevereiro de 2018). «The neurotechnology and society interface: responsible innovation in an international context». Journal of Responsible Innovation. 5 (1): 1–12. ISSN 2329-9460. doi:10.1080/23299460.2018.1433928 
  12. «ARTIFICIAL INTELLIGENCE AND LIFE IN 2030» (PDF). REPORT OF THE 2015 STUDY PANEL. 2016 
  13. Beth A. Conklin and Lynn M. Morgan, "Babies, Bodies, and the Production of Personhood in North America and a Native Amazonian Society," 'Ethos,' Vol. 24, No. 4 (Dec., 1996), pp. 657–694.
  14. «Could an artificial intelligence be considered a person under the law?». PBS NewsHour (em inglês). 7 de outubro de 2018. Consultado em 26 de dezembro de 2019 
  15. Ganguli, Prabuddha; Jabade, Siddharth (19 de dezembro de 2017). Nanotechnology Intellectual Property Rights: Research, Design, and Commercialization (em inglês). [S.l.]: CRC Press. ISBN 978-1-351-83313-4 
  16. «002.08 N.I.C.E. Workshop 2014: Towards Intelligent Computing with Neuromemristive Circuits and Systems - Feb. 2014». digitalops.sandia.gov. Consultado em 26 de agosto de 2019 
  17. C. Merkel and D. Kudithipudi, "Neuromemristive extreme learning machines for pattern classification," ISVLSI, 2014.
  18. Caravelli; et al. (2017). «The complex dynamics of memristive circuits: analytical results and universal slow relaxation». Physical Review E. 95 (2). 022140 páginas. Bibcode:2017PhRvE..95b2140C. PMID 28297937. arXiv:1608.08651Acessível livremente. doi:10.1103/PhysRevE.95.022140 
Este artigo sobre Neurociência é um esboço. Você pode ajudar a Wikipédia expandindo-o.