Plataforma reconfigurável HW-SW HiAER-spike para computação neuromórfica orientada a eventos em escala

Por que um Novo Tipo de Computador Importa

A maior parte da inteligência artificial atual roda em hardware projetado décadas atrás para planilhas e processadores de texto, não para cérebros. À medida que pesquisadores buscam máquinas mais inteligentes e eficientes, eles esbarram em limites de consumo de energia, velocidade e escala. Este artigo apresenta o HiAER-Spike, uma plataforma de computação neuromórfica que processa informação em spikes — eventos elétricos breves — muito parecidos com os neurônios reais. Construída como um recurso compartilhado no San Diego Supercomputer Center, ela pretende permitir que cientistas do mundo todo experimentem com IA inspirada no cérebro em uma escala próxima à de cérebros de pequenos animais, usando muito menos energia do que sistemas convencionais.

Construindo uma Máquina Inspirada no Cérebro

O HiAER-Spike é um grande cluster de servidores, cada um equipado com chips reconfiguráveis potentes chamados FPGAs. Em vez de executar instruções de software comuns, esses chips são configurados para atuar como vastas teias de neurônios e sinapses artificiais, chamadas redes neurais de disparo. O sistema completo foi projetado para lidar com até cerca de 160 milhões de neurônios de modelo e 40 bilhões de sinapses — mais do que o dobro do número de neurônios em um cérebro de camundongo — enquanto os simula mais rápido que o tempo real. Um esquema de comunicação especial, chamado roteamento hierárquico de eventos por endereço, garante que os spikes possam viajar rapidamente entre grupos de neurônios no mesmo chip, entre chips diferentes e até entre servidores, equilibrando tráfego local denso com conexões de longo alcance esparsas, de modo semelhante à substância cinzenta e branca do cérebro.

Ajustando Redes Enormes a Hardware Limitado

Um desafio importante na construção desses sistemas é simplesmente armazenar todas as conexões. Redes neurais modernas costumam ser muito grandes, mas também esparsas: a maioria das conexões possíveis não é usada. O HiAER-Spike tira proveito dessa esparsidade armazenando apenas as conexões existentes em uma lista eficiente, em vez de em uma grade completa de todas as possibilidades. Pesos sinápticos residem em memória de alta largura de banda em cada FPGA, enquanto os estados rapidamente mutáveis de neurônios e axônios são mantidos em memória mais rápida no chip. Quando ocorrem spikes, o sistema primeiro procura quais sinapses são afetadas, depois busca seus valores e atualiza os neurônios-alvo. Esse processo em duas etapas, combinado com um empacotamento cuidadoso dos dados na memória, mantém baixo o consumo de energia e o atraso, mesmo à medida que as redes crescem.

Tornando Hardware Avançado Fácil de Usar

Para abrir essa máquina especializada a não especialistas, os autores criaram uma interface de software de alto nível em Python e C++. Usuários descrevem suas redes de disparo com objetos simples — definindo tipos de neurônio, entradas, conexões e saídas — sem se preocupar com detalhes de baixo nível do hardware. O mesmo código pode rodar como uma simulação local em software ou, se enviado através do portal Neuroscience Gateway, no próprio hardware HiAER-Spike. A plataforma atualmente suporta neurônios binários simples e neurônios do tipo leaky integrate-and-fire, com opções para comportamento estocástico, e permite misturar diferentes tipos de neurônios dentro de uma mesma rede. Esse projeto permite que pesquisadores prototipem modelos em um laptop e, em seguida, os escalem sem atrito para o grande cluster neuromórfico.

Aplicando Spikes a Tarefas Reais

Para mostrar o que a plataforma pode fazer, a equipe converteu uma variedade de modelos padrão de visão e controle para a forma de spikes e os executou em um único core de um FPGA. Eles testaram reconhecimento de dígitos no clássico conjunto MNIST, reconhecimento de gestos usando câmeras baseadas em eventos que emitem spikes em vez de quadros, reconhecimento de objetos em imagens do CIFAR-10 e até controle do jogo Atari Pong usando uma representação baseada em spikes do movimento. Nestas tarefas, o hardware igualou de perto a precisão das simulações em software após a quantização de pesos, frequentemente diferindo por menos de alguns pontos percentuais, ao mesmo tempo em que entregava latência e consumo de energia muito baixos. Por exemplo, algumas redes de reconhecimento de dígitos alcançaram mais de 98% de acurácia com apenas microjoules de energia e microssegundos de atraso por imagem.

Para Onde Essa Nova Plataforma Pode Levar

Para um leitor leigo, a mensagem-chave é que o HiAER-Spike é um campo de testes flexível, inspirado no cérebro, que qualquer pessoa da comunidade de pesquisa pode usar remotamente. Mesmo em estágio inicial, um único core consegue rodar redes de disparo de tamanho considerável para tarefas como reconhecer gestos a partir de câmeras baseadas em eventos, usando muito menos energia e tempo do que muitos sistemas concorrentes. À medida que mais cores e placas forem integradas e o software incorporar modelos de neurônios e regras de aprendizado mais ricos, essa plataforma pode ajudar a aproximar neurociência e IA — apoiando experimentos que exploram como grandes redes de spikes podem viabilizar percepção eficiente, tomada de decisão e futuros dispositivos inteligentes de baixo consumo.

Citação: Frank, G., Hota, G., Wang, K. et al. HiAER-spike software-hardware reconfigurable platform for event-driven neuromorphic computing at scale. npj Unconv. Comput. 3, 22 (2026). https://doi.org/10.1038/s44335-026-00062-8

Palavras-chave: computação neuromórfica, redes neurais de disparo, acelerador FPGA, visão baseada em eventos, hardware inspirado no cérebro