Análise crítica e comparativa acerca de implementações de chips neuromórficos utilizando redes neurais pulsantes conectadas por redes-em-chip

Abstract

A implementação eficiente de redes neurais em hardware, especificamente através do uso de redes-em-chip para a interconexão de redes neurais pulsantes em chips neuromórficos, representa um avanço considerável na busca por sistemas computacionais que imitam mais de perto a funcionalidade e eficiência do cérebro humano. Este estudo realiza uma revisão sistemática ampla, explorando a integração dessas tecnologias emergentes na implementação de chips neuromórficos, com o intuito de conduzir uma análise crítica e comparativa entre diferentes abordagens em hardware, permitindo identificar as tendências, correlações, desafios e avanços. Através da análise de estudos selecionados utilizando a metodologia PRISMA, este trabalho destaca a crescente importância de soluções eficientes em termos de energia e desempenho para aplicações em inteligência artificial. Os resultados indicam que, apesar dos desafios técnicos ainda presentes, o campo da computação neuromórfica, especialmente a implementação de redes neurais pulsantes através de redes-em-chip, está evoluindo rapidamente, com potencial para contribuir para o avanço de diversas tecnologias emergentes. Os desafios apontam para a exploração de diferentes modelos de neurônios, técnicas de aprendizagem, estratégias de interconexão e roteamento para superar as limitações atuais e alcançar uma maior eficiência e desempenho. Dessa forma, este trabalho oferece insights valiosos para pesquisadores e profissionais interessados no desenvolvimento de hardware neuromórfico avançado, com implicações práticas em áreas como computação neuromórfica, aprendizado de máquina, e processamento de dados cognitivos.

The efficient implementation of neural networks in hardware, specifically through the use of on-chip networks for the interconnection of spiking neural networks in neuromorphic chips, represents a significant advancement in the pursuit of computational systems that more closely mimic the functionality and efficiency of the human brain. This study conducts a comprehensive systematic review, exploring the integration of these emerging technologies in neuromorphic chip implementation, with the aim of conducting a critical and comparative analysis among different hardware approaches. This allows for the identification of trends, correlations, challenges, and advancements. Through the analysis of selected studies using the PRISMA methodology, this work highlights the growing importance of energy-efficient and high-performance solutions for artificial intelligence applications. The results indicate that, despite the technical challenges still present, the field of neuromorphic computing, especially the implementation of spiking neural networks through on-chip networks, is evolving rapidly, with the potential to contribute to the advancement of various emerging technologies. The challenges point towards exploring different neuron models, learning techniques, interconnection strategies, and routing to overcome current limitations and achieve greater efficiency and performance. Thus, this work provides valuable insights for researchers and professionals interested in the development of advanced neuromorphic hardware, with practical implications in areas such as neuromorphic computing, machine learning, and cognitive data processing.