Una de las razones del increíble poder del cerebro es su capacidad de reconfigurarse a medida que aprende. Ahora los investigadores han creado circuitos electrónicos que pueden hacer lo mismo.
Los esfuerzos para imitar el cerebro en silicio, un campo conocido como computación neuromórfica, tienen un largo historial y han visto inversiones significativas de potencias informáticas como Intel e IBM. Hasta ahora, la mayor parte de la investigación se ha centrado en replicar la funcionalidad y la conectividad de las neuronas y sinapsis biológicas con la esperanza de replicar la increíble eficiencia de aprendizaje del cerebro.
Una característica de las neuronas que ha recibido menos atención es la forma en que pueden reorganizarse en respuesta a la experiencia. Esta poderosa capacidad permite que el cerebro cambie tanto su estructura como su función a medida que aprende, optimizando su hardware subyacente para nuevos desafíos sobre la marcha.
Ahora, sin embargo, un equipo dirigido por ingenieros de la Universidad de Purdue ha demostrado nuevos componentes de circuitos cuyas funciones se pueden reconfigurar con simples pulsos electrónicos. Esto les permite cambiar sin problemas entre actuar como resistencias, condensadores de memoria, neuronas artificiales y sinapsis artificiales. El avance abre la puerta a la creación de redes neuronales dinámicas en hardware que pueden reconfigurarse a medida que aprenden, al igual que el cerebro .
Los nuevos dispositivos, sobre los que se informó la semana pasada en Science , están hechos de un material llamado niquelato de perovskita, cuyas propiedades eléctricas se pueden alterar agregando iones de hidrógeno en lugares particulares de su estructura reticular. Los investigadores encontraron que ciertas configuraciones de iones de hidrógeno podían crear patrones de conductividad que replicaban una variedad de diferentes componentes electrónicos.
Más importante aún, también descubrieron que podían cambiar las ubicaciones de estos iones de hidrógeno aplicando pulsos eléctricos a diferentes voltajes. Esto hace posible cambiar de una configuración a otra a pedido, lo que permite que el mismo dispositivo asuma los atributos de una amplia gama de componentes electrónicos.
Los dispositivos también son muy estables. La investigación mostró que los átomos de hidrógeno permanecieron en su lugar durante al menos seis meses sin pérdida de resistencia, y que el comportamiento de conmutación aún funcionaba de manera confiable después de millones de ciclos. Además de eso, los dispositivos se pueden fabricar utilizando tecnología de fabricación de chips convencional.
Después de probar el rendimiento de los dispositivos individuales, los investigadores utilizaron sus datos para crear simulaciones de grandes redes de ellos. Usaron las simulaciones para implementar una forma de aprendizaje automático llamada computación de reservorio que emplea principios similares a las redes neuronales. Demostraron que estas redes superaron a otros modelos teóricos y experimentales tanto en tareas de reconocimiento de dígitos como de clasificación de latidos cardíacos.
También utilizaron estas redes para implementar lo que se conoce como una red neuronal de ” crecimiento cuando sea necesario ” (GWR) que crea y elimina neuronas y conexiones según la tarea establecida para ello. Compararon estas redes con un tipo similar de red autoorganizada que tiene un número fijo de neuronas.
Cuando probaron las redes en una tarea de aprendizaje incremental, donde la cantidad de clases de datos que el modelo tenía que clasificar aumentaba con el tiempo, descubrieron que la red dinámica era un 200 por ciento más precisa que una estática que usaba la misma cantidad de neuronas que el GWR. red alcanzó su punto máximo. También demostraron que las redes GWR podían crecer y reducirse según el tamaño del problema, optimizando su eficiencia de una manera que la red estática no podía.
A pesar de lo impresionantes que son estas capacidades, la tecnología aún enfrenta importantes obstáculos. En un artículo de perspectiva adjunto , Rohit Abraham John de ETH Zurich señala que resolver cómo reorganizar las conexiones entre estos dispositivos a medida que cambian de función es un desafío sobresaliente.
Sin embargo, la tecnología también podría tener aplicaciones más allá de la computación inspirada en el cerebro. John señala que la posibilidad de poder crear una amplia variedad de componentes eléctricos a partir del mismo material podría ser una simplificación significativa en comparación con las prácticas actuales de fabricación de chips.
Y aunque todavía puede ser pronto, los investigadores dicen que ahora están investigando cómo combinar estos dispositivos para crear chips a gran escala . Un cerebro de silicio que pueda reconfigurarse como el nuestro podría no estar tan lejos.
Fuente:
Gent, E. (2022f, febrero 5). New Reprogrammable Chip Lets AI Learn Continuously—Just Like the Brain. Singularity Hub. Recuperado 8 de febrero de 2022, de https://singularityhub.com/2022/02/07/new-reprogrammable-chip-lets-ai-learn-continuously-just-like-the-brain/