Hardware Neuromórfico e Spiking Neural Networks

Computação inspirada no cérebro: neurônios disparam spikes (eventos), comunicação assíncrona, consumo dramaticamente menor que GPU para inferência. Estado em 2026: pesquisa madura + uso comercial nicho (drones autônomos, sensores always-on, próteses).

*ota de processo:*este arquivo é atualizado por /k-ia-compendium via Camada D (linhas D11 e D12).

---

Por que importa

GPU consome *300W*para inferência de LLM modesto. Cérebro humano consome *20W*com ~86B neurônios. Hardware neuromórfico tenta colher parte dessa eficiência via:

• *omputação event-driven*— só gasta energia quando há spike (eventos esparsos)
• *emória junto da computação*(in-memory compute) — elimina o gargalo von Neumann
• *aralelismo massivo nativo*— milhares de cores rodando assíncronos
• *aixa precisão tolerada*— analog/mixed-signal vs FP32

Tradeoff: pode ser *001000× mais eficiente*em energia, mas algoritmos atuais (backprop em redes densas) não casam naturalmente — daí a importância de SNN training methods e algoritmos alternativos como [[paradigmasalternativos]] (ForwardForward, Predictive Coding).

---

Chips Neuromórficos

Intel Loihi 2

• *ançamento:*2021; ainda canônico em 2026.
• *pecs:*128 cores neuromorphic, 1M neurônios por chip; até *M neurônios*por sistema Kapoho Point (8 chips).
• *rocesso:*Intel 4 (4nm).
• *rogramabilidade:*microcode customizável por core (não apenas SNN — qualquer regra de update local).
• *ramework:**ava*(open source, github.comlava-nclava) — Python; abstrações Process / Channel.
• *cesso:*Intel Neuromorphic Research Community (INRC) — academic + selected commercial; sem chip comercial open market ainda.
• *asos:*olfato robótico, optimization (constraint satisfaction), gesture recognition real-time.

IBM NorthPole

• *núncio:*Science 382, 329-335 (out/2023) — Modha et al.
• *pecs:*256 cores; 224MB on-chip memory (sem DRAM externa para inferência); 22B transistors em 12nm.
• *ão é SNN puro*— chip inferenceonly para redes neurais densas, mas com *emorynear-compute*que elimina movimento de dados.
• *erformance:*ResNet-50 a *2× mais eficiente*que H100 em energia, *× menos latência*
• *tatus 2026:*ainda research silicon; sem produto comercial. Sucessor do TrueNorth (2014).

SpiNNaker 2

• *niversidade de Manchester + TU Dresden*| lançamento 2024.
• *pecs:*152 ARM CortexM4F cores por chip; sistematarget de *0M chips*= ~1B neurônios.
• *iferencial:*programmable digital (não analog) — flexível, suporta qualquer modelo de neurônio.
• *doção:*Human Brain Project (encerrado 2023) deixou legado; sucessores em Jülich e Manchester.

BrainScaleS-2

• *eidelberg University*| 2nd gen 2020-2023.
• *ixed-signal analog/digital*— neurônios analógicos rodam *0.000× mais rápido*que biológicos (modelo de tempo acelerado).
• *doção:*ferramenta de neurociência computacional; menos foco em ML aplicado.

Outros (panorama 2026)

• *nnatera Pulsar*— Holanda, startup; SNN para sensor fusion always-on em wearables.
• *rAI Matter Labs GrAI VIP*— vision processing event-driven; integração com event cameras (Prophesee).
• *ynSense Speck/Xylo*— Suíça, audio + vision always-on; ~µW.
• *ignon AI*— Tsetlinnative (ver [[paradigmasalternativos]]); não é SNN mas mesma família "post-GPU".

---

Spiking Neural Networks: Modelos de Neurônio

Leaky IntegrateandFire (LIF)

Modelo padrão: membrana acumula input, dispara spike quando ultrapassa threshold, reseta. Simples, eficiente, dominante em SNN training moderno.

Adaptive LIF / AdEx

Adiciona adaptação (threshold ou current) — modela accommodação biológica.

Hodgkin-Huxley

Modelo biofísico completo (4 EDOs por neurônio). Realista demais para ML — usado em neurociência.

Izhikevich

Tradeoff entre LIF e HodgkinHuxley: 2 EDOs, reproduz 20+ tipos de comportamento neuronal.

---

Treinamento de SNNs

Spikes são descontínuos → gradiente não definido → não dá pra backprop direto. Soluções modernas:

Surrogate Gradients

• *eftci et al. (IEEE SPM 2019)*— substituem a função degrau (Heaviside) por uma sigmóide suave *penas no backward pass*
• Hoje é o método dominante; viabiliza BPTT em SNN.

ANNtoSNN Conversion

• Treina ANN normal (ReLU) → converte ativações em rate-coded spikes.
• Vantagem: aproveita toda a maquinaria de DL existente.
• Limitação: latência (precisa de muitos timesteps para approximar rate); perde graça do event-driven.

Direct SNN Training com STBP

• *patio-Temporal Backpropagation*(Wu et al., Front. Neurosci. 2018) — BPTT com surrogate gradient.
• Estado da arte em accuracy + spike-count tradeoff.

Local Learning Rules

• Hebbian, STDP (SpikeTimingDependent Plasticity), Forward-Forward, Predictive Coding.
• Não competitivos em accuracy hoje, mas únicos compatíveis com on-chip training em hardware neuromórfico atual.

---

Frameworks de Software

---

Aplicações onde neuromórfico já vence

---

Aplicações onde *ão*vence (ainda)

• *LMs*— densos, sequenciais, latency-bound; GPU continua dominando.
• *reino em escala*— sem hardware neuromórfico capaz de competir com cluster de H100/B200.
• *isão SOTA*— ANN em GPU ainda à frente em ImageNet/COCO, mesmo em ANN→SNN conversion.

---

Para o Kode

*urto prazo:*não acionável — sem chip disponível para compra + sem caso de uso interno que justifique custo de aprendizado.

*édio prazo (2436 meses):*se a Stack adicionar surface *earable*(Koruwatch, Hand glove, Eye glasses), neuromórfico vira candidato sério para:

• Wakeword permanente (ver [[specsvoice/wakeword.kmd]])
• Gesture recognition always-on (Koder Hand)
• Eye gaze tracking (Koder Eye XR variant)

*companhar:*Innatera Pulsar (commercialfriendly), SynSense (deals com wearables), qualquer LLMem-spikes que mostre paridade com 7B Transformer.

*rossreference:*[[paradigmasalternativos]] cobre algoritmos de aprendizado (Forward-Forward, Predictive Coding) que casam com este hardware.