Pesquisadores do MIT desenvolveram estruturas de silício capazes de realizar cálculos em dispositivos eletrônicos utilizando o calor residual em vez de eletricidade. Essas minúsculas estruturas poderão, um dia, viabilizar uma computação mais eficiente em termos energéticos.

Nesse método de computação, os dados de entrada são codificados como um conjunto de temperaturas utilizando o calor residual já presente no dispositivo. O fluxo e a distribuição de calor através de um material especialmente projetado constituem a base do cálculo. A saída é então representada pela potência coletada na outra extremidade, que é um termostato a uma temperatura fixa.      

Os pesquisadores utilizaram essas estruturas para realizar a multiplicação de matrizes por vetores com mais de 99% de precisão. A multiplicação de matrizes é a técnica matemática fundamental que modelos de aprendizado de máquina, como os LLMs, utilizam para processar informações e fazer previsões.

Embora os pesquisadores ainda tenham que superar muitos desafios para ampliar esse método computacional para modelos modernos de aprendizado profundo, a técnica poderia ser aplicada para detectar fontes de calor e medir mudanças de temperatura em componentes eletrônicos sem consumir energia extra. Isso também eliminaria a necessidade de múltiplos sensores de temperatura que ocupam espaço em um chip.

“Na maioria das vezes, quando você realiza cálculos em um dispositivo eletrônico, o calor é o produto residual. Frequentemente, você quer se livrar do máximo de calor possível. Mas aqui, adotamos a abordagem oposta, usando o calor como uma forma de informação em si e mostrando que computar com calor é possível”, diz Caio Silva, estudante de graduação do Departamento de Física e autor principal de um artigo sobre o novo paradigma de computação.

Silva é acompanhado no artigo pelo autor sênior Giuseppe Romano, cientista pesquisador do Instituto de Nanotecnologias para Soldados do MIT e membro do Laboratório de IA Watson do MIT-IBM. A pesquisa foi publicada hoje na revista Physical Review Applied .

Este trabalho foi possível graças a um sistema de software desenvolvido anteriormente pelos pesquisadores, que lhes permite projetar automaticamente um material capaz de conduzir calor de uma maneira específica .

Utilizando uma técnica chamada projeto inverso, este sistema inverte a abordagem tradicional da engenharia. Os pesquisadores definem primeiro a funcionalidade desejada e, em seguida, o sistema usa algoritmos poderosos para projetar iterativamente a melhor geometria para a tarefa.

Eles usaram esse sistema para projetar estruturas complexas de silício, cada uma aproximadamente do mesmo tamanho que uma partícula de poeira, que podem realizar cálculos usando condução de calor. Essa é uma forma de computação analógica, na qual os dados são codificados e os sinais são processados usando valores contínuos, em vez de bits digitais que são apenas 0s ou 1s.

Os pesquisadores alimentam seu sistema de software com as especificações de uma matriz de números que representa um cálculo específico. Usando uma grade, o sistema projeta um conjunto de estruturas retangulares de silício preenchidas com minúsculos poros. O sistema ajusta continuamente cada pixel da grade até atingir a função matemática desejada.

O calor se difunde através do silício de uma forma que realiza a multiplicação da matriz, com a geometria da estrutura codificando os coeficientes.

Mas os pesquisadores se depararam com um problema. Devido às leis da condução de calor, que impõem que o calor se mova de regiões quentes para regiões frias, essas estruturas só podem codificar coeficientes positivos. 

Eles superaram esse problema dividindo a matriz alvo em seus componentes positivos e negativos e representando-os com estruturas de silício otimizadas separadamente que codificam as entradas positivas. A subtração das saídas em um estágio posterior permite calcular os valores negativos da matriz.

Eles também podem ajustar a espessura das estruturas, o que lhes permite criar uma maior variedade de matrizes. Estruturas mais espessas têm maior condução de calor.

“Encontrar a topologia correta para uma determinada matriz é um desafio. Superamos esse problema desenvolvendo um algoritmo de otimização que garante que a topologia obtida seja a mais próxima possível da matriz desejada, sem apresentar partes estranhas”, explica Silva.

Os pesquisadores usaram simulações para testar as estruturas em matrizes simples com duas ou três colunas. Embora simples, essas pequenas matrizes são relevantes para aplicações importantes, como sensoriamento por fusão e diagnóstico em microeletrônica.     

As estruturas realizaram cálculos com mais de 99% de precisão em muitos casos.

No entanto, ainda há um longo caminho a percorrer antes que essa técnica possa ser usada em aplicações de grande escala, como aprendizado profundo, visto que milhões de estruturas precisariam ser interligadas. À medida que as matrizes se tornam mais complexas, as estruturas perdem precisão, especialmente quando há uma grande distância entre os terminais de entrada e saída. Além disso, os dispositivos têm largura de banda limitada, que precisaria ser ampliada consideravelmente para que pudessem ser usados em aprendizado profundo.

Mas, como essas estruturas dependem do excesso de calor, elas podem ser aplicadas diretamente em tarefas como gerenciamento térmico, bem como detecção de fontes de calor ou gradientes de temperatura em microeletrônica.

“Essa informação é crucial. Gradientes de temperatura podem causar expansão térmica e danificar um circuito ou até mesmo levar à falha de um dispositivo inteiro. Se tivermos uma fonte de calor localizada onde não queremos uma fonte de calor, significa que temos um problema. Poderíamos detectar diretamente essas fontes de calor com essas estruturas, e poderíamos simplesmente conectá-las sem precisar de nenhum componente digital”, diz Romano.

Partindo dessa prova de conceito, os pesquisadores querem projetar estruturas capazes de realizar operações sequenciais, onde a saída de uma estrutura se torna a entrada para a próxima. É assim que os modelos de aprendizado de máquina realizam cálculos. Eles também planejam desenvolver estruturas programáveis, permitindo codificar diferentes matrizes sem precisar começar do zero com uma nova estrutura a cada vez.