A explosão recente da inteligência artificial trouxe consigo um paradoxo tecnológico: quanto mais inteligentes os sistemas se tornam, mais energia consomem. Redes neurais modernas, capazes de reconhecer imagens, traduzir idiomas e gerar textos, já operam com bilhões — e em alguns casos trilhões — de parâmetros. O preço dessa sofisticação, porém, vem crescendo rapidamente: centros de dados consomem quantidades gigantescas de eletricidade, enquanto a infraestrutura computacional tradicional começa a encontrar limites físicos.

Agora, um estudo publicado neste sábado (23), na revista Nature Communications, propõe uma alternativa que parece saída de uma geração futura da computação: hardware que aprende diretamente com sua própria física.

Liderada por Catarina Pereira, juntamente com Alex Jenkins, Giovanni Finocchio e Davi Rodrigues, a pesquisa reuniu cientistas do International Iberian Nanotechnology Laboratory, da University of Porto, do Politecnico di Bari, da University of Messina e do Istituto Nazionale di Geofisica e Vulcanologia.

O trabalho apresenta uma arquitetura neuromórfica treinável baseada em dispositivos chamados Magnetic Tunnel Junctions (MTJs), pequenas estruturas magnéticas capazes de reproduzir comportamentos semelhantes aos de neurônios artificiais. A proposta elimina uma das maiores limitações dos sistemas atuais: a necessidade de depender de modelos digitais simplificados para treinar redes neurais.

Segundo os autores, o sistema permite que o próprio hardware gere seus gradientes — os sinais matemáticos essenciais para o aprendizado.

“Introduzimos uma arquitetura capaz de treinamento diretamente no chip, preservando toda a expressividade das não linearidades físicas dos dispositivos”, descrevem os pesquisadores.

O modelo dominante da computação atual segue a chamada arquitetura de Von Neumann, criada em meados do século XX. Nesse formato, memória e processamento funcionam em locais separados, obrigando a transferência constante de dados.

Para tarefas tradicionais, a abordagem funciona adequadamente. Mas para inteligência artificial, isso cria gargalos severos.

O artigo observa que redes neurais exigem elevada conectividade, transformações não lineares e intensa movimentação de memória — fatores que aumentam latência e consumo energético.

A equipe buscou uma solução inspirada no cérebro humano: aproximar processamento e memória no mesmo sistema físico.

É aí que entram os MTJs.

Esses componentes utilizam propriedades do spin dos elétrons — uma característica quântica das partículas — para criar estados magnéticos que funcionam simultaneamente como armazenamento e processamento de informação.

Em vez de executar cálculos matemáticos pesados em software, os próprios dispositivos apresentam respostas físicas naturalmente não lineares.

O avanço central do estudo está no chamado método analógico de diferenças finitas.

Na prática, os pesquisadores utilizam pares de MTJs quase idênticos. Um deles recebe uma corrente elétrica padrão; o outro recebe um pequeno incremento adicional. A diferença entre as respostas dos dois gera automaticamente o gradiente necessário para o aprendizado da rede neural.

O ganho pode parecer técnico, mas resolve uma questão histórica.

Até hoje, sistemas spintrônicos experimentais dependiam de cálculos realizados externamente em software ou de métodos menos eficientes de aprendizado não supervisionado.

Para avaliar o sistema, a equipe testou redes neurais em tarefas clássicas de classificação.

No conjunto de dados Iris — um dos testes históricos em aprendizado de máquina — o sistema físico experimental alcançou 93,3% de precisão usando taxa de aprendizado variável.

Nas simulações com duas camadas ocultas, a precisão chegou a 95%.

Em seguida, a equipe avançou para um desafio muito mais complexo: o conjunto de imagens manuscritas MNIST.

A rede baseada em neurônios spintrônicos obteve 97,9% de precisão, praticamente empatada com modelos digitais convencionais.

Em experimentos envolvendo transferência de conhecimento (knowledge distillation), uma rede física compacta alcançou 97,2% de precisão, aprendendo a partir de um modelo maior baseado em arquitetura ResNet-18.

Embora os resultados ainda estejam em estágio experimental, as implicações são potencialmente profundas.

Grande parte da inteligência artificial atual depende de enormes centros de processamento remoto. O modelo funciona, mas aumenta custos, consumo elétrico e dependência de conexão constante.

Os autores argumentam que sua arquitetura pode favorecer aplicações de edge computing — inteligência artificial executada localmente em celulares, sensores médicos, veículos autônomos e dispositivos conectados.

Em vez de enviar dados continuamente para a nuvem, máquinas poderiam aprender localmente, adaptando-se ao ambiente em tempo real.

Num cenário em que a corrida global pela IA aumenta a pressão energética sobre governos e empresas, o estudo sugere que o futuro talvez dependa menos de supercomputadores gigantescos e mais de pequenos componentes magnéticos capazes de transformar sua própria física em inteligência.

Porque, pela primeira vez, a questão pode deixar de ser apenas quão inteligente uma máquina consegue ser — e passar a incluir quanto ela precisa gastar para pensar.