.avif)
A microeletrônica está avançando em velocidade recorde, impulsionada pela inteligência artificial (IA) e aprendizado de máquina (ML), Internet das Coisas (IoT), comunicações de última geração e tecnologias quânticas emergentes. Nesta sessão de webinar da ACS/CAS, três especialistas mapearam o cenário da pesquisa, compartilharam avanços em computação inspirada no cérebro e descreveram como a iniciativa CHIPS dos EUA está catalisando a inovação em materiais. Os palestrantes incluíram Jean-Marc Pécourt (CAS), Steve Furber (Universidade de Manchester) e Jim Warren (Instituto Nacional de Padrões e Tecnologia (NIST)).
Análise do panorama: para onde a literatura está apontando?
O Dr. Jean-Marc Pécourt, cientista principal do CAS, abriu com uma análise do panorama construída a partir de dados do CAS Content Collection™. Uma busca no CAS IP Finder, com tecnologia STN™, revelou cerca de 2,3 milhões de registros de microeletrônica ao longo de duas décadas.
Figura 1. Tendências de publicação para o campo da microeletrônica. O gráfico de rosca inserido ilustra a distribuição de artigos de periódicos e famílias de patentes. Os dados incluem publicações de periódicos e famílias de patentes do CAS Content Collection para o período de 2004-2024. *Inclui dados apenas para os meses de janeiro a novembro.
Jean-Marc então focou em um subconjunto de cinco anos com 1,2 milhão de registros para identificar o ímpeto recente. A proporção incomumente alta de patentes por artigos no setor ressalta a proximidade com a comercialização. As curvas por país mostram a ascensão acentuada da China em periódicos e patentes, a força constante de patentes nos EUA e na Coreia do Sul, uma queda de longo prazo no Japão desde cerca de 2013 e o crescimento da Índia voltado para periódicos.
Vários mapas CAS Trendscape derivados de PNL, selecionados por cientistas do CAS para reconciliar termos, destacam os que avançam rapidamente: materiais 2D (dicalcogenetos de metais de transição, MXenes), optoeletrônica/PV de perovskita e uma ampla gama de sensores. Entre os dispositivos, os FETs aceleram no lado das patentes, enquanto os periódicos exibem um rápido crescimento de memristores e nanogeradores triboelétricos. Processos maduros (planarização químico-mecânica, deposição química de vapor, corrosão) podem parecer "lentos" porque suas bases de comparação são enormes; eles permanecem centrais para as fábricas modernas.
Por que a neuromórfica é importante agora
O Dr. Steve Furber, professor emérito da Universidade de Manchester, Reino Unido, mudou o foco do que construímos para como computamos. As pilhas de IA de hoje prosperam com matemática de matriz densa; o córtex biológico prospera com sinalização esparsa e recorrente. Esse descompasso, argumentou ele, é a raiz da barreira energética da IA. Seu projeto SpiNNaker abordou o problema com um milhão de núcleos modestos de classe ARM e, crucialmente, uma estrutura de multicast seletivo que transforma um único pico em milhares de mensagens direcionadas, espelhando o fanout cortical sem saturar as interconexões. O resultado é uma operação biológica em tempo real para modelos cerebrais importantes, demonstrações de resolução de restrições baseadas em picos (por exemplo, Sudoku) e robótica responsiva quando combinada com sensores baseados em eventos.
O contexto da indústria fortalece esse argumento. A arquitetura Loihi 2 da Intel e o sistema Hala Point de 2024 (1,15 bilhão de "neurônios") mostram computação neuromórfica em escala de peta-ops com eficiência líder de TOPS/W em certas cargas de trabalho de aprendizado profundo, mostrando evidências de que a execução orientada por eventos e inspirada no cérebro pode complementar (e em alguns nichos superar) os aceleradores convencionais. Steve acredita que a esparsidade e a recorrência não são curiosidades biológicas; elas são o projeto para uma inteligência escalável e sustentável.
Ele encerrou com uma visão pragmática de convergência em vez de substituição: unidades de processamento gráfico e neuromórficos provavelmente coevoluirão, com os neuromórficos assumindo a percepção de latência ultrabaixa e baixo consumo de energia e o controle de malha fechada, enquanto os aceleradores convencionais lidam com fases de treinamento densas até que, talvez, os dois mundos se encontrem em sistemas híbridos.
Dos mapas à fabricação
O Dr. James Warren, diretor do Programa do Genoma de Materiais no NIST, conectou os sinais da literatura e as ideias computadas à realidade da fabricação. Ele descreveu o Anúncio de Agência Ampla (BAA) do Escritório de P&D de CHIPS, uma chamada para propostas em fabricação avançada de semicondutores, IA, quântica e padrões, juntamente com um modelo de retorno atípico (equity/warrants/licenças) projetado para alinhar o investimento público com resultados de longo prazo. Sua linha de raciocínio: para tornar a descoberta importante mais rapidamente, os laboratórios precisam de autonomia, dados e rigor.
Aqui, a Iniciativa do Genoma de Materiais encontra laboratórios autônomos e aprendizado de máquina informado pela física. Jim descreveu como a experimentação em malha fechada pode gerar conjuntos de dados ricos e auditáveis, enquanto modelos substitutos, limitados por princípios fundamentais (por exemplo, transporte, termodinâmica, eletroquímica), tomam decisões quase em tempo real que são úteis em escalas de tempo de fábrica. Uma anedota memorável: a IA extraindo limites de fase diretamente de fluxos de difração de alto rendimento, um vislumbre inicial de como a autonomia muda o tempo dos cientistas da organização de dados para a descoberta. A mensagem foi um convite para construir autonomia de nível de medição que impulsione ideias através da divisão entre laboratório e fábrica.
No que nosso público se concentrou
Ao longo da discussão, nosso público participou ativamente, fazendo perguntas e compartilhando suas próprias reflexões. Estas foram as áreas que mais despertaram interesse:
1. Entradas multimodais. Steve explicou que a verdadeira integração multimodal, como vincular visão e som, é modelada em um nível superior ao da maioria das pesquisas neuromórficas atuais, que se concentram em circuitos cerebrais de baixo nível. Alguns experimentos e modelos de neurociência exploram a fusão sensorial, como o alinhamento de mapas espaciais auditivos e visuais, ou o estudo com ratos em que estímulos fracos combinados se tornaram detectáveis. No entanto, os sistemas neuromórficos geralmente priorizam a compreensão de microcircuitos neurais fundamentais em vez do processamento multissensorial completo.
2. Gêmeos digitais da NVIDIA e AMAT. Jim não conhecia os detalhes da colaboração entre NVIDIA e AMAT, mas destacou a tendência mais ampla: o grande investimento em gêmeos digitais para o design e a fabricação de semicondutores. Modelos virtuais agora abrangem desde sistemas em nível de fábrica até materiais e átomos, permitindo melhor previsão e otimização. Ele comparou isso ao trabalho da NVIDIA na descoberta de medicamentos com ciclos de design totalmente virtualizados. À medida que a modelagem melhora e os dados aumentam, os gêmeos digitais tornam-se centrais para a inovação em engenharia e manufatura. Jean-Marc acrescentou que essas ferramentas estão surgindo em múltiplas escalas.
3. Spinnaker vs. Computação de Alto Desempenho (HPC) convencional. Steve descreveu o Spinnaker como superficialmente semelhante ao HPC, mas fundamentalmente diferente. Ele usa muitos processadores pequenos adequados para modelagem neural altamente paralela, ao contrário dos processadores grandes e potentes do HPC. Sua principal distinção é uma estrutura de comunicação personalizada que permite multicast eficiente, com um único impulso atingindo milhares de alvos, o que as redes HPC padrão não conseguem fazer com eficiência. Como a estrutura da rede neural muda lentamente, o Spinnaker pode codificar o roteamento, uma estratégia inadequada para HPC de uso geral, mas ideal para cargas de trabalho neuromórficas.
4. EUA vs. China em semicondutores e produção de pesquisa. Jean-Marc observou que instituições chinesas produzem muitas patentes com foco comercial, enquanto o cenário de pesquisa dos EUA mistura esforços comerciais e acadêmicos. Como os semicondutores são estratégicos, projetos dos EUA que demonstram relevância comercial podem encontrar fortes oportunidades de financiamento. Jim evitou detalhes políticos, mas disse que os orçamentos finais dos EUA para a NSF e o NIST permaneceram estáveis, apesar de preocupações anteriores. Ele reconheceu a China como uma grande concorrente de longo prazo na fabricação de semicondutores e enfatizou os esforços contínuos dos EUA para garantir cadeias de suprimentos críticas.
5. Uso de energia e água na computação neuromórfica. Steve questionou por que os data centers consomem água, observando que a água de resfriamento poderia ser totalmente reciclada com trocadores de calor. Sistemas neuromórficos poderiam reduzir as necessidades de energia da IA e as demandas de resfriamento associadas em até 1.000 vezes. Ele também alertou que ganhos de eficiência podem levar a um maior consumo geral (paradoxo de Jevons), à medida que custos mais baixos expandem o uso. Ele ilustrou isso com exemplos históricos, como a explosão inesperada na implantação global de computadores.
Agradecemos aos nossos convidados e ao público. Para mais informações, assista à gravação do webinar e confira o relatório relacionado do CAS, Microelectronics frontiers: Emerging technologies, materials, and innovations.
