Enquanto esse mecanismo é suficiente para guardar dados, seu uso em um componente que imita os neurônios se baseia em um outro efeito não-linear apresentado pelo conjunto: Selecionando a energia correta do feixe de micro-ondas que energiza o vórtice magnético é possível fazer a onda de spin se dividir em duas, cada uma com uma frequência menor.

Isso torna as ondas de spin candidatas promissoras a neurônios artificiais porque há um paralelo surpreendente com o funcionamento do cérebro: Os neurônios também disparam apenas quando um certo limite de estímulo é ultrapassado.

"A próxima coisa que queremos fazer é construir uma pequena rede com nossos neurônios de ondas de spin," anunciou Schultheiss. "Esta rede neuromórfica deve, então, realizar tarefas simples, como reconhecer padrões."

Uma equipe da Escola Politécnica de Milão, na Itália, desenvolveu um circuito eletrônico capaz de resolver um sistema de equações lineares em uma única operação.

E tudo é feito na escala de tempo de nanossegundos, o mesmo tempo que leva para apenas gravar um dado na memória de um computador eletrônico.

O desempenho desse circuito mostrou-se superior não apenas aos computadores digitais atuais, mas também dá indícios de superar a velocidade que se espera dos computadores quânticos.

Com isto, Zhong Sun e seus colegas afirmam que sua plataforma neuroinspirada permitirá desenvolver uma nova geração de aceleradores para computação capaz de revolucionar áreas intensivas em cálculos, como a inteligência artificial.

O novo circuito, construído com memoristores, as unidades básicas da computação neuromórfica - que imita o cérebro -, resolve sistemas de equações lineares (Ax = b) usando a técnica de computação na memória, ou seja, sem precisar que os dados circulem da memória para o processador e vice-versa.

Resolver um sistema de equações lineares significa encontrar o vetor desconhecido x que satisfaça a equação Ax = b, onde A é uma matriz de coeficientes e b é um vetor conhecido. Para resolver este problema, um computador convencional executa um algoritmo que realiza várias operações em cada iteração, o que consome tempo e energia consideráveis.

No processador neuromórfico, os coeficientes da matriz A são armazenados nos memristores, componentes capazes de armazenar valores analógicos. Assim, uma matriz de memristores pode fisicamente mapear uma matriz de coeficientes A dentro do próprio circuito, acelerando fortemente a computação.

Parece realmente estar se formando uma massa crítica que nos permitirá passar da computação eletrônica tradicional para a computação neuromórfica, na qual os processadores funcionam de forma mais parecida com o cérebro humano.

Depois de avanços importantes no campo dos já tradicionais memoristores e do surgimento de um capacitor com memória analógica, agora foi fabricado o primeiro transístor capaz de também funcionar como uma sinapse artificial.

Jennifer Gerasimov, da Universidade Linkoping, na Suécia, construiu o transístor neuromórfico usando materiais orgânicos - à base de carbono -, o que significa que os circuitos poderão ser fabricados por impressão em substratos finos e flexíveis.

Um transístor normal funciona como uma "válvula" que amplifica ou amortece o sinal de saída, dependendo das características do sinal de entrada ou de um sinal de controle.

No transístor eletroquímico orgânico construído por Jennifer, o canal de passagem da corrente é feito de um plástico condutor eletropolimerizado. O canal pode ser formado, crescido ou encolhido, ou mesmo completamente eliminado, em tempo de operação, o que permite que a saída não seja simplesmente um sinal (1) ou um "não-sinal" (0), mas uma infinidade de valores entre dois extremos.

O transístor neuromórfico pode ser treinado para reagir a um certo estímulo, um determinado sinal de entrada, de modo que o canal do componente se torne mais condutor e o sinal de saída maior, ou vice-versa, criando uma conexão dinâmica entre uma entrada e uma saída.

A equipe demonstrou esse funcionamento incorporando o transístor em um circuito eletrônico que aprende como associar um certo estímulo a um determinado sinal de saída, da mesma forma que um cão aprende que o som de uma tigela de comida sendo preparada significa que o jantar está a caminho.

"É a primeira vez que a formação em tempo real de novos componentes eletrônicos é mostrada em dispositivos neuromórficos," disse o professor Simone Fabiano, cuja equipe havia desenvolvido recentemente um transístor que funciona com calor e um chip bioeletrônico que funciona dentro d'água.

O transístor neuromórfico é um passo importante para o aprendizado de máquina em hardware, e ainda com a vantagem de usar eletrônica orgânica.

As redes neurais artificiais baseadas em software são usadas atualmente no que é conhecido como "aprendizado profundo". O software requer que os sinais sejam transmitidos entre um grande número de nós para simular uma única sinapse, o que consome um considerável poder computacional e, portanto, muita energia.

Com o transístor neuromórfico, uma sinapse pode ser reproduzida usando um único componente.

O novo chip, batizado de Morpheus, bloqueia possíveis ataques de hackers criptografando e reorganizando aleatoriamente bits chave de seu próprio código e de seus dados 20 vezes por segundo.

Isso é infinitamente mais rápido do que um hacker humano consegue trabalhar e milhares de vezes mais rápido do que as mais rápidas técnicas de hacking eletrônico.

"A abordagem atual de eliminar erros de segurança um por um é um jogo perdido. As pessoas estão constantemente escrevendo código e, tão logo há um novo código, haverá novos bugs e vulnerabilidades de segurança. Com o Morpheus, mesmo que um hacker encontre um bug, a informação necessária para explorá-lo desaparece 50 milissegundos depois. É talvez a coisa mais próxima de um sistema seguro à prova do que surgir no futuro," disse o professor Todd Austin.

Em vez de usar software para corrigir vulnerabilidades de códigos conforme elas são descobertas, o processador Morpheus inclui a segurança em seu hardware. A constante aleatorização dos recursos críticos do programa, em um processo chamado "churn" (agitação ou rotatividade), torna as vulnerabilidades virtualmente impossíveis de serem identificadas e exploradas.

Ainda assim, a rotatividade dos dados e sua aleatorização feita pelo processador são transparentes para os desenvolvedores de software e os usuários finais. Isso porque o mecanismo se baseia na aleatorização de bits de dados conhecidos como "semântica indefinida", que se refere aos recantos e fendas obscuras da arquitetura de computação - por exemplo, a localização, formato e conteúdo do código de um programa é uma semântica indefinida.

A semântica indefinida faz parte do maquinário mais básico de um processador. Os programadores legítimos geralmente não interagem com ela, mas os hackers podem fazer engenharia reversa para descobrir vulnerabilidades e iniciar um ataque.

A taxa de "agitações" do chip pode ser ajustada para cima ou para baixo para encontrar o equilíbrio certo entre maximizar a segurança e minimizar o consumo de recursos. O professor Austin conta que a taxa de aleatorização de uma vez a cada 50 milissegundos foi escolhida para o processador de demonstração porque é milhares de vezes mais rápida do que as mais rápidas técnicas de hacking eletrônico, enquanto reduz o desempenho apenas em cerca de 1%. A arquitetura também inclui um detector de ataque que procura ameaças pendentes e aumenta a taxa de aleatorização se perceber que um ataque é iminente.

O chip de demonstração é um processador RISC-V - um design de chip comum, de código aberto, usado frequentemente para pesquisa. A equipe já está tentando comercializar a tecnologia.