Descoberta acidental: transistores CMOS comuns podem funcionar como neurônios artificiais

Você já parou para pensar quanta energia a inteligência artificial consome? Cada interação com um modelo de linguagem, cada recomendação de vídeo ou rota no GPS depende de data centers repletos de GPUs que consomem até 1.000 watts cada – o equivalente a um aspirador de pó ligado 24 horas por dia. O problema de fundo é que essas GPUs simulam redes neurais artificiais com software e bilhões de transistores, movimentando enormes volumes de dados. Em contraste, o cérebro humano é cerca de um milhão de vezes mais eficiente em tarefas comparáveis.

Para reduzir essa ineficiência, a engenharia neuromórfica busca criar componentes eletrônicos que imitem o comportamento dos neurônios e sinapses biológicos. Até agora, as abordagens dependiam de circuitos complexos com dezenas ou centenas de transistores CMOS para simular um único neurônio, o que limitava a escalabilidade. Mas uma descoberta acidental em laboratório pode mudar esse cenário: um único transistor CMOS comum, com o terminal bulk flutuante, exibe um comportamento de disparo de picos (spikes) muito semelhante ao de um neurônio biológico.

O problema: a ineficiência energética da IA atual

Os GPUs usados em data centers consomem cerca de 1.000 W cada e operam ininterruptamente. Essa ineficiência decorre do fato de que eles simulam neurônios artificiais por meio de software e bilhões de transistores, exigindo movimento constante de dados. Além disso, os neurônios simulados não reproduzem a complexidade computacional dos neurônios biológicos, que são muito mais eficientes.

O método: como um transistor comum virou neurônio

Em 2024, um estudante do laboratório de Mario Lanza, na Universidade Nacional de Cingapura, media um circuito de memória composto por um transistor e um memristor quando esqueceu de conectar o terminal bulk do transistor. Para sua surpresa, observou um aumento súbito de corrente com alta não linearidade, seguido de relaxamento quando a tensão diminuía – um comportamento conhecido como laço de histerese, típico de neurônios.

Para entender o fenômeno, a equipe removeu o memristor e aplicou pulsos de tensão diretamente no transistor. Descobriram que, quando o terminal bulk fica flutuante, os buracos gerados por ionização por impacto se acumulam no substrato, elevando a tensão do bulk. Quando essa tensão atinge um limiar (cerca de 0,7 V), um transistor bipolar parasita é ativado, causando um pico de corrente. Ao reduzir a tensão de dreno, a geração de buracos diminui, os buracos se recombinam e a tensão do bulk cai, completando o ciclo.

Esse comportamento – acumulação, disparo e relaxamento – é análogo ao potencial de ação de um neurônio biológico. Para controlar a duração do relaxamento, os pesquisadores ajustaram a resistência do terminal bulk usando um segundo MOSFET, permitindo sintonizar o dispositivo.

Resultados: neurônios e sinapses em um único dispositivo

A equipe demonstrou que um único MOSFET pode funcionar como um neurônio artificial, e que um par de MOSFETs pode atuar como uma sinapse com condutância ajustável. Os dispositivos foram fabricados em um processo CMOS comercial de 180 nm (tecnologia do ano 2000), o que significa que podem ser produzidos em larga escala com infraestrutura existente.

Em testes, o neurônio CMOS disparou picos de corrente com histerese controlada, e a sinapse mostrou estados de condutância estáveis e ajustáveis linearmente. A eficiência energética estimada é ordens de grandeza superior à de GPUs, aproximando-se da eficiência biológica.

Limitações e próximos passos

O comportamento de disparo foi observado inicialmente em apenas alguns transistores, com tempos de relaxamento variáveis. O controle fino da resistência do bulk com um segundo MOSFET melhorou a reprodutibilidade, mas ainda há desafios de uniformidade entre dispositivos. Além disso, a tecnologia de 180 nm é antiga; versões modernas podem oferecer melhor desempenho, mas exigem adaptação do modelo.

Os pesquisadores também precisam demonstrar a integração de muitos desses neurônios e sinapses em um chip funcional, realizando tarefas como reconhecimento de padrões ou processamento de sinais. A equipe está trabalhando na fabricação de um protótipo com centenas de dispositivos.

Por que isso importa no mundo real

Se confirmada e escalada, essa descoberta pode reduzir drasticamente o consumo de energia da IA, tornando-a viável em dispositivos de borda (edge computing) com bateria limitada, como smartphones, sensores IoT e wearables. Além disso, a compatibilidade com a fabricação CMOS padrão significa que não são necessários novos materiais ou processos exóticos, acelerando a adoção industrial.

A eficiência energética é um dos maiores gargalos para a sustentabilidade da IA. Um único dispositivo que imita um neurônio, em vez de dezenas de transistores, pode pavimentar o caminho para hardware neuromórfico escalável e de baixo consumo.

Links úteis

• Artigo original no IEEE Spectrum
• A CMOS Spiking Neuron for Brain-Inspired Neural Networks (arXiv)
• A silicon neuron (PubMed)