Memória na matéria tem plasticidade e não perde dados

Redação do Site Inovação Tecnológica - 14/09/2026 Memória na matéria O vidro de spin, por muito tempo catalogado na classe dos "materiais impossíveis", é um material artificial formado por uma malha de nanoímãs organizados em um padrão geométrico específico - uma rede dipolar - que os faz interagirem uns com os outros. Agora, Brendan Marsh e colegas da Universidade de Stanford, nos EUA, descobriram que dá para usar esse estado exótico da matéria para armazenar e recuperar memórias, e essa memória na matéria pode fazer nada menos do que melhorar a forma como a inteligência artificial funciona. O aparato experimental consiste em uma rede de átomos e fótons - um vidro de spin quântico-óptico - que funciona como uma memória associativa, uma forma de IA que permite a recuperação de memórias completas a partir de informações parciais, de modo muito parecido com a forma como nós conseguimos reconhecer o rosto de uma pessoa em uma fotografia desfocada. Aproximando-se das técnicas neuromórficas, a rede de átomos e fótons também apresenta plasticidade, um fenômeno que se assemelha à forma como as conexões sinápticas entre os neurônios no cérebro se modificam ao aprender novas informações. "Nós agora podemos criar redes neurais em nível atômico, e elas se ajustam de uma maneira um tanto semelhante à forma como acreditamos que nossos cérebros aprendem," disse o professor Benjamin Lev, cuja equipe recentemente criou um parafuso de Arquimedes para átomos. Vidro de spin Um vidro de spin é um tipo de ímã frustrado. O termo "spin" refere-se aos dois estados em que os átomos podem se orientar, assim como um ímã pode ter seu polo norte apontando para cima ou para baixo. Em um ímã de geladeira comum, todos os spins se alinham na mesma direção. Em contraste, os spins em um vidro de spin são "frustrados": Eles ficam presos apontando em direções aleatórias, o que lembra o vidro comum, que parece e se comporta como um sólido, mas tem átomos desordenados como um fluido. O Prêmio Nobel de Física de 2024 foi parcialmente atribuído a John Hopfield pela descoberta de que uma rede de spins pode armazenar e recuperar informações na forma de padrões de memória. Arranjos de spins de baixa energia, chamados de vales, contêm memórias completas; contudo, se a rede recebe informações incompletas ou distorcidas, ela pode "associar" a informação corrompida com a memória armazenada mais semelhante, recuperando assim a memória completa. Isso ajudou a impulsionar a pesquisa em redes neurais que estão na base dos grandes modelos de linguagem de IA. No entanto, a rede de Hopfield tem limitações: Quando contém muitas memórias, a recuperação falha porque a rede entra em um estado de vidro de spin, com spins frustrados criando uma paisagem energética muito confusa para permitir a recuperação das memórias corretas. Memória associativa A equipe resolveu esta limitação fabricando um vidro de spin usando átomos e fótons. Utilizando os efeitos quântico-ópticos dos átomos que absorvem e emitem fótons, a rede de vidro de spin consegue recuperar memórias mesmo nesse estado de frustração, superando as limitações da rede de Hopfield. Utilizando pinças ópticas, os pesquisadores criaram uma matriz de gases atômicos em uma cavidade óptica, uma armadilha para a luz formada por dois espelhos curvos. Conhecidos como condensados de Bose-Einstein, esses gases contêm aglomerados de 10.000 ou mais átomos em um estado quântico especial, e cada aglomerado se comporta como se fosse um único superátomo. Quando um feixe de luz entra na cavidade, os fótons ricocheteiam milhares de vezes entre os espelhos, criando múltiplas conexões entre os átomos, de modo muito semelhante às sinapses conectando os neurônios no cérebro. Os fótons ajudaram a controlar os spins de cada superátomo para cima ou para baixo, estabilizando-os por fim em um vale de baixa energia do vidro de spin. 7 vezes melhor A pequena rede de até 20 spins funcionou de fato como uma memória associativa: O vidro de spin quântico-óptico demonstrou ter uma capacidade até sete vezes maior de armazenar e recuperar memórias do que uma rede de Hopfield tradicional com o mesmo número de spins. E o mesmo mecanismo - os fótons energizando os átomos - cria um tipo de plasticidade, onde as conexões podem se mover e mudar, de forma semelhante à maneira como a rede de neurônios e sinapses do cérebro humano pode ser reconfigurada. "Agora temos uma prova de princípio de uma rede física que se ajusta da mesma forma que um sistema de aprendizagem, e se pudermos aprimorar e ampliar isso, o hardware de IA poderá consumir muito menos energia para ser treinado," concluiu Lev.