Nova memória RRAM derruba o muro que limita o desempenho da IA

A inteligência artificial enfrenta um problema persistente, conhecido como "muro da memória". Até os modelos mais rápidos esbarram nos limites impostos pelo tempo e pela energia gastos para transferir dados entre o processador e a memória. Uma solução promissora é a memória resistiva (RRAM), que permite fazer cálculos diretamente nas células de memória e contorna os gargalos tradicionais.

O problema é que a maioria dos tipos de RRAM é instável e difícil de controlar. Felizmente, pesquisadores da Universidade da Califórnia em San Diego talvez tenham encontrado uma solução. Na conferência IEEE International Electron Device Meeting (IEDM), eles apresentaram um novo tipo de RRAM capaz de executar algoritmos de aprendizado de máquina.

"Reformulamos a RRAM por completo, repensando o princípio de chaveamento", diz Duygu Kuzum, engenheira elétrica da Universidade da Califórnia em San Diego, que liderou o projeto. A RRAM tradicional armazena dados usando filamentos de baixa resistência em um material dielétrico. Formar esses filamentos exige alta tensão, o que dificulta a integração com circuitos CMOS. Além disso, o processo de formação é aleatório e ruidoso, o que prejudica o armazenamento de dados, sobretudo em redes neurais, nas quais os pesos precisam ser estáveis.

O novo projeto, chamado "bulk RRAM", alterna uma camada inteira do material entre resistência alta e baixa. Isso dispensa a formação de filamentos em alta tensão e elimina o transistor seletor, que limita a geometria. O grupo de San Diego não é o primeiro a criar dispositivos bulk RRAM, mas obteve avanços significativos na redução do tamanho e na construção de circuitos tridimensionais.

Os pesquisadores reduziram a RRAM à escala nanométrica (40 nm) e criaram pilhas de oito camadas. Cada camada pode assumir 64 valores de resistência, algo difícil de obter com a RRAM filamentar tradicional. A resistência da pilha fica na faixa de megaohms, o que, segundo Kuzum, é mais adequado para operações em paralelo. O maior número de níveis de resistência e a resistência mais alta permitem que a bulk RRAM execute operações mais complexas do que a RRAM tradicional.

A equipe de San Diego testou uma matriz de 1 kilobyte formada por pilhas de oito camadas, usando um algoritmo de aprendizado contínuo. O chip classificou dados de sensores vestíveis, identificando se o usuário estava sentado, andando, subindo escadas ou fazendo outra atividade. A precisão foi de 90%, comparável à de uma rede neural implementada de forma digital. Para Kuzum, a bulk RRAM é especialmente útil para modelos de redes neurais em dispositivos de borda, que precisam aprender com o ambiente sem acesso à nuvem.

Albert Talin, cientista de materiais dos Laboratórios Nacionais Sandia, afirma que a capacidade de integrar a RRAM em uma matriz é um passo importante. Ele ressalta, porém, que manter os dados por longos períodos pode virar um problema, principalmente nas altas temperaturas em que os computadores operam. Se os engenheiros conseguirem provar a confiabilidade da tecnologia, ela poderá beneficiar todos os tipos de modelos. O "muro da memória" fica cada vez mais alto, porque a memória tradicional não acompanha as demandas crescentes dos grandes modelos. Qualquer solução que permita aos modelos trabalhar diretamente com a memória pode ser o avanço tão aguardado.