Uma memória foto-sensível de porta-flutuante dividida reconfigurável para computação neuromórfica e ativação não linear

Hardware mais inteligente na borda

Telefones, câmeras e pequenos dispositivos conectados à internet agora são esperados para enxergar, reconhecer e reagir em tempo real — mas hoje eles normalmente fazem isso transferindo dados brutos entre sensores, chips de memória e processadores separados. Esse tráfego consome energia e atrasa tudo. Este artigo apresenta um novo tipo de bloco eletrônico minúsculo que pode detectar luz, memorizar informação e executar etapas-chave da inteligência artificial dentro de um único dispositivo, prometendo hardware mais rápido e eficiente para tecnologia cotidiana.

Como o cérebro inspira novos chips

Nossos olhos e cérebro lidam com a visão de forma muito diferente de uma câmera digital. No sistema visual humano, a retina não se limita a capturar imagens; ela filtra, comprime e destaca imediatamente características importantes antes de enviar sinais compactos pelo nervo óptico ao córtex visual. Em contraste, a maioria das máquinas primeiro coleta imagens completas, as armazena e depois as processa em outro lugar, desperdiçando tempo e energia. Os pesquisadores buscaram imitar essa estratégia biológica em hardware: construir dispositivos que possam tanto detectar quanto processar informação localmente, e também aplicar as etapas não lineares de “ativação” das quais redes neurais modernas dependem para tomar decisões complexas.

Um dispositivo, três funções

A equipe desenvolveu o que chamam de dispositivo de memória de porta-flutuante dividida multimodal. Em termos mais simples, é uma pilha de materiais ultrafinos que se comporta como um transistor muito flexível com duas regiões controláveis de forma independente. Ao injetar e aprisionar pequenos pacotes de carga elétrica nessas regiões, o dispositivo pode ser reprogramado sob demanda. Em uma configuração, atua como um sensor de luz autônomo cuja sensibilidade pode ser finamente ajustada e até tornada positiva ou negativa. Em outra, serve como elemento de memória cuja condutância elétrica pode ser definida em vários níveis estáveis, ideal para armazenar as forças — ou “pesos” — das conexões em uma rede neural.

Trazendo a “faísca” neural para o chip

Redes neurais não apenas somam e multiplicam números; após cada camada, elas passam o resultado por uma etapa de ativação não linear, frequentemente funções conhecidas como ReLU ou Sigmoid. Essas etapas geralmente são tratadas por circuitos separados e consumidores de energia. Aqui, o mesmo dispositivo que detecta e armazena informação também pode executar essas ativações. Quando programado em um estado particular, ele permite que corrente flua apenas acima de certo nível de entrada, imitando uma ReLU. Quando reprogramado, sua curva corrente–tensão torna-se suave e em forma de S, como uma Sigmoid. Crucialmente, a troca entre esses modos é feita eletricamente e rapidamente, sem alterar a estrutura física do chip.

Um pequeno cérebro de hardware para tarefas de visão

Para demonstrar o que isso possibilita, os autores conectaram muitos desses dispositivos em pequenas matrizes e os usaram como um sistema de visão totalmente baseado em hardware. No chamado modo sensor, uma matriz de dispositivos converteu diretamente padrões de luz em sinais ponderados, executando a primeira camada de uma rede neural dentro do próprio sensor de imagem. No modo memória, matrizes semelhantes realizaram cálculos tipo matriz típicos de camadas mais profundas. Dispositivos separados em modo ativação então aplicaram operações ReLU e Sigmoid. Com essa configuração, o sistema pôde classificar dígitos manuscritos do banco de dados padrão MNIST com precisão próxima à de um modelo apenas por software, e também conseguiu limpar imagens ruidosas usando um autoencoder, tudo isso mantendo os pesos aprendidos armazenados localmente em forma não volátil.

Por que isso importa para a tecnologia do dia a dia

Para não especialistas, a conclusão principal é que os pesquisadores fundiram detecção, memória e a etapa não linear de “decisão” da inteligência artificial em um único dispositivo reconfigurável. Como ele pode ser programado com pulsos de energia minúsculos, operar em escalas de tempo de nanossegundos e lembrar suas configurações sem energia, esse tipo de hardware poderia tornar futuras câmeras, dispositivos vestíveis e outros aparelhos de borda muito mais eficientes. Em vez de enviar enchentes de dados brutos para um processador distante ou para a nuvem, esses sistemas poderiam extrair significado onde os dados nascem — assim como nossos próprios olhos e cérebro fazem — abrindo caminho para máquinas compactas e de baixo consumo que enxergam e entendem o mundo em tempo real.

Citação: Zhang, ZC., Li, Y., Yao, J. et al. A reconfigurable photosensitive split-floating-gate memory for neuromorphic computing and nonlinear activation. Nat Commun 17, 1697 (2026). https://doi.org/10.1038/s41467-026-68402-7

Palavras-chave: hardware neuromórfico, computação no sensor, computação em memória, ativação não linear, IA na borda