Sinapsis artificial podría hacer que las redes neuronales funcionen como un cerebro

Las redes de resistores a nanoescala que funcionan de forma similar a las células nerviosas del cuerpo podrían superar el aprendizaje automático por computadora.

Experimento del MIT concluye que un resistor que funciona del mismo modo que las células nerviosas del organismo podría utilizarse para construir redes neuronales para el aprendizaje automático.

Muchos de los grandes modelos de aprendizaje automático dependen de cantidades cada vez mayores de potencia de procesamiento para llegar a sus conclusiones, pero esto consume mucha energía y genera mucho calor, escribe New Scientist.

El aprendizaje automático analógico, que actúa como un cerebro empleando componentes eléctricos comparables a las neuronas para actuar como piezas del modelo, es un enfoque potencial. Sin embargo, estos dispositivos aún no han demostrado ser lo suficientemente rápidos, compactos o eficientes como para superar el aprendizaje automático digital.

Murat Onen y sus colegas del Instituto Tecnológico de Massachusetts desarrollaron un resistor a nanoescala que conduce protones de un terminal a otro. Su funcionamiento es similar al de una sinapsis, un enlace entre dos neuronas en el que los iones viajan en una sola dirección para enviar información. Sin embargo, estas «sinapsis artificiales» son 1.000 veces más pequeñas y 10.000 veces más rápidas que las sinapsis orgánicas.

Los modelos de aprendizaje automático podrían operar en redes de estos nanoresistores, de forma similar a como el cerebro humano aprende remodelando las conexiones entre millones de neuronas enlazadas.

«Estamos haciendo cosas que la biología no puede», añade Onen, cuyo mecanismo es un millón de veces más rápido que los anteriores dispositivos de transporte de protones.

La resistencia emplea campos eléctricos intensos para transportar protones a velocidades extremadamente altas sin destruir o romper la propia resistencia, lo cual era un problema con las anteriores resistencias de protones de estado sólido.

Para un verdadero aprendizaje automático analógico, serán necesarios sistemas que incluyan varios millones de resistencias. Onen admite que se trata de un problema técnico, pero el hecho de que todos los materiales sean compatibles con el silicio debería facilitar la integración con los sistemas informáticos existentes.

En su artículo, New Scientist publica declaraciones de Sergey Saveliev, de la Universidad de Loughborough, Reino Unido, quien aparte de considerar interesante el hallazgo acota que el hecho de que el aparato emplee tres terminales, en lugar de dos como una neurona normal, haría más difícil el funcionamiento de determinadas redes neuronales.

Por su parte, Pavel Borisov, también de la Universidad de Loughborough, cree que la tecnología es asombrosa, pero señala que los protones proceden del gas hidrógeno, que podría ser difícil de retener de forma segura en el dispositivo a medida que la tecnología se amplíe.



¿Cómo postular a los Premios a la Innovación 2022?

Contacto | Diario TI es una publicación de MPA Publishing International Ltd., Reino Unido. © Copyright 1997-2022