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).

Nota 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:

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

Trade-off: pode ser 100-1000× 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 [[paradigmas-alternativos]] (Forward-Forward, Predictive Coding).

---

Chips Neuromórficos

Intel Loihi 2

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

IBM NorthPole

• Anúncio: Science 382, 329-335 (out/2023) — Modha et al.
• Specs: 256 cores; 224MB on-chip memory (sem DRAM externa para inferência); 22B transistors em 12nm.
• Não é SNN puro — chip inference-only para redes neurais densas, mas com memory-near-compute que elimina movimento de dados.
• Performance: ResNet-50 a 22× mais eficiente que H100 em energia, 5× menos latência.
• Status 2026: ainda research silicon; sem produto comercial. Sucessor do TrueNorth (2014).

SpiNNaker 2

• Universidade de Manchester + TU Dresden | lançamento 2024.
• Specs: 152 ARM Cortex-M4F cores por chip; sistema-target de 10M chips = ~1B neurônios.
• Diferencial: programmable digital (não analog) — flexível, suporta qualquer modelo de neurônio.
• Adoção: Human Brain Project (encerrado 2023) deixou legado; sucessores em Jülich e Manchester.

BrainScaleS-2

• Heidelberg University | 2nd gen 2020-2023.
• Mixed-signal analog/digital — neurônios analógicos rodam 10.000× mais rápido que biológicos (modelo de tempo acelerado).
• Adoção: ferramenta de neurociência computacional; menos foco em ML aplicado.

Outros (panorama 2026)

• Innatera Pulsar — Holanda, startup; SNN para sensor fusion always-on em wearables.
• GrAI Matter Labs GrAI VIP — vision processing event-driven; integração com event cameras (Prophesee).
• SynSense Speck/Xylo — Suíça, audio + vision always-on; ~µW.
• Mignon AI — Tsetlin-native (ver [[paradigmas-alternativos]]); não é SNN mas mesma família "post-GPU".

---

Spiking Neural Networks: Modelos de Neurônio

Leaky Integrate-and-Fire (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

Trade-off entre LIF e Hodgkin-Huxley: 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

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

ANN-to-SNN 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

• Spatio-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 (Spike-Timing-Dependent 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 não vence (ainda)

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

---

Para o Kode

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

Médio prazo (24-36 meses): se a Stack adicionar surface wearable (Koru-watch, Hand glove, Eye glasses), neuromórfico vira candidato sério para:

• Wake-word permanente (ver [[specsvoice/wake-word.kmd]])
• Gesture recognition always-on (Koder Hand)
• Eye gaze tracking (Koder Konsul XR variant)

Acompanhar: Innatera Pulsar (commercial-friendly), SynSense (deals com wearables), qualquer LLM-em-spikes que mostre paridade com 7B Transformer.

Cross-reference: [[paradigmas-alternativos]] cobre algoritmos de aprendizado (Forward-Forward, Predictive Coding) que casam com este hardware.