En este campo emergente de las ciencias de la computación, los científicos están modelando el cerebro para hacer que las computadoras sean más rápidas y efectivas. En las últimas décadas hemos sido testigos de una revolución tecnológica provocada por la creación de procesadores informáticos basados en silicio y otros materiales semiconductores.
Las computadoras alguna vez fueron del tamaño de habitaciones enteras, pero desde entonces se han reducido a un solo chip. La ley de Moore, un concepto utilizado por Gordon Moore en 1965 para describir la observación de que la cantidad de componentes por chip integrado se duplicará cada dos años, lo que conducirá a computadoras cada vez más rápidas, ha sido la fuerza impulsora detrás de esta tendencia.
Pero a medida que aumentan las demandas informáticas debido a los avances en computadoras, robots, Internet de las cosas (IoT) y máquinas inteligentes, la industria de los semiconductores ha llegado a un punto en el que ya no es posible miniaturizar más los chips de las computadoras. En realidad, solo hay tantos transistores que pueden caber en un solo chip.
Como resultado, los científicos informáticos están recurriendo a un enfoque completamente nuevo de la informática, conocido como "computación neuromórfica", en el que las computadoras están diseñadas para operar de manera similar al cerebro humano e interactuar con el mundo exterior.
Este campo de estudio está ganando popularidad y se considera la etapa fundamental en la creación de hardware informático y sistemas de inteligencia artificial. Cubrimos todo lo que necesita saber sobre este campo emergente y lo que significa para el futuro de la informática.
¿Cómo procesa y almacena el cerebro la información?
Antes de pasar a los dispositivos neuromórficos y sus aplicaciones, conviene comentar el fenómeno biológico que motiva este campo (plasticidad sináptica). Esta es la extraordinaria capacidad del cerebro humano para cambiar y adaptarse a nueva información. Para evaluar adecuadamente esto, primero debemos discutir el funcionamiento básico de nuestro propio "centro de cómputo".
Las células mensajeras del cerebro se llaman neuronas. Todos están interconectados gracias a las sinapsis, los sitios de conexión que los conectan a todos en una vasta red a través de la cual se transmiten impulsos electrónicos y señales químicas. Se comunican entre sí mediante "picos", que son breves ráfagas de electricidad de milisegundos de duración.
La memoria en una computadora se puede aumentar simplemente agregando más células de memoria, pero en el cerebro, los recuerdos se producen fortaleciendo las conexiones entre las neuronas y creando nuevas conexiones. Cuando dos neuronas están más estrechamente conectadas entre sí, podemos decir que aumenta el peso sináptico de la sinapsis conectada. Unas 10 en nuestro cerebro12 Hay neuronas y están conectadas entre sí 10.15 Se comunican a través de sinapsis. Estas conexiones y el grado de comunicación entre ellas fluctúan con el tiempo y la cantidad de estímulos o picos recibidos para que el cerebro pueda adaptarse al entorno cambiante, formar y conservar recuerdos.
Es crucial comprender la potenciación y la depresión, dos mecanismos clave de la plasticidad sináptica, donde las conexiones sinápticas se fortalecen o debilitan gradualmente y juegan un papel importante en el aprendizaje y la memoria. Esto es posible en cualquier intervalo de tiempo, desde segundos hasta horas o más.
Se supone que los picos de frecuencia más altos, como los que ocurren cuando se aprende una nueva habilidad, están relacionados con el desarrollo de la memoria a largo plazo al fortalecer o reforzar ciertas sinapsis. Por otro lado, los estímulos de baja frecuencia provocan depresión y, en consecuencia, el debilitamiento de la conexión (o peso sináptico) en la unión sináptica relevante, lo que es similar a olvidar algo aprendido.
Debe enfatizarse que esto es un poco simplificado y que el empoderamiento y la depresión dependen no solo de la frecuencia de los latidos sino también del tiempo. Por ejemplo, cuando muchas neuronas envían picos a una sinapsis al mismo tiempo, el peso sináptico aumenta mucho más rápido que una sucesión de pulsos.
Los investigadores tienen que pensar fuera de la caja para imitar deliberadamente este proceso porque es muy sofisticado y complejo.
¿Cómo funciona una computadora neuromórfica?
La arquitectura von Neumann utilizada para construir computadoras modernas se basa en ideas desarrolladas por primera vez por Alan Turing en la década de 1930. Esta configuración requiere mantener separadas las unidades de procesamiento de datos y la memoria, lo que ralentiza el rendimiento porque los datos deben enviarse de un lado a otro entre ellas y consume más energía innecesariamente.
Las computadoras neuromórficas, por otro lado, usan arquitecturas de chips que combinan computación y memoria en un solo componente. En términos de hardware, esta área se está expandiendo e incluye nuevos diseños de vanguardia, varios materiales y nuevas partes de computadoras.
Investigadores de todo el mundo están trabajando para crear redes sintéticas de neuronas y sinapsis que imiten la flexibilidad del cerebro, utilizando materiales orgánicos e inorgánicos. La mayoría de las computadoras neuromórficas a gran escala que existen actualmente, como TrueNorth de IBM, Loihi de Intel y BrainScales-2, utilizan transistores basados en tecnología comprobada de semiconductores de óxido de metal.
Las computadoras Von Neumann a menudo usan transistores como uno de los bloques de construcción electrónicos. Hay cientos de tipos diferentes de transistores, siendo el transistor de efecto de campo semiconductor de óxido metálico o MOSFET el más popular. Funcionan principalmente como un interruptor (y en menor medida como un amplificador) para corrientes eléctricas dentro de un chip de computadora.
Esto permite que cada transistor esté en un estado de encendido o apagado, lo que equivale a un 1 o un 0 binario, y evita o permite que fluya una corriente, lo que permite que exista en cualquier estado. Este principio operativo hace que sea increíblemente fácil almacenar y procesar información, razón por la cual las celdas de memoria electrónica y las puertas lógicas se han convertido en componentes esenciales de nuestro mundo digital.
Sin embargo, las señales eléctricas en nuestro cerebro no son solo 0 y 1. Por ejemplo, una conexión entre sinapsis puede tener diferentes "pesos" o densidades.
Se han creado muchas herramientas para simular esto en una computadora neuromórfica. Una "capa activa" que modula la señal entre las unidades se incluye en un tipo particular de transistor semiconductor conocido como transistor sináptico de polímero. La conductividad, y por tanto la salida de la señal, se ve afectada por la composición específica del polímero conductor utilizado para formar esta capa.
Cuando se aplica una determinada frecuencia de voltaje a través de los transistores, la capa activa cambia, provocando depresiones o amplificaciones en la señal eléctrica comparables a picos en la actividad cerebral. Básicamente, así es como entra la plasticidad, y cada pico contiene datos numéricos sobre frecuencia, tiempo, tamaño y forma. Los picos se pueden convertir a valores binarios y viceversa, pero actualmente se está investigando el proceso exacto para hacerlo.
Los investigadores han informado formas cada vez más creativas de imitar la estructura del cerebro utilizando componentes artificiales como memristores, condensadores, dispositivos espintrónicos e incluso algunos intentos intrigantes de realizar computación neuromórfica utilizando hongos. El hardware neuromórfico tampoco se limita solo a los transistores.
¿Cómo programar una computadora neuromórfica?
Las redes neuronales artificiales (ANN) son utilizadas con frecuencia por computadoras neuromórficas para realizar tareas computacionales. Las redes neuronales de picos (SNN), una de las muchas variantes de ANN, son de particular interés ya que se basan en neuronas sintéticas que interactúan entre sí mediante el intercambio de señales eléctricas conocidas como "picos" e incorporan el tiempo en sus modelos. Como resultado, estos sistemas usan menos energía porque las neuronas artificiales solo transmiten información cuando el número total de picos que reciben supera un cierto umbral.
Antes de que la red pueda comenzar a funcionar, debe programarse o, en otras palabras, aprenderse. Esto se logra dándole hechos de los que pueda sacar provecho. La estrategia de aprendizaje puede variar según el tipo de RNA. Por ejemplo, si la red está siendo entrenada para reconocer gatos o perros en fotografías, se pueden alimentar miles de imágenes con la etiqueta "gato" o "perro" para entrenar al sujeto a reconocerlo por sí mismo en trabajos futuros. Manipular el color de cada píxel de la imagen requiere cálculos extremadamente laboriosos para su identificación.
Existe una gran variedad de ANN y cuál usar depende de las necesidades del usuario. Aunque los SNN son atractivos debido a su bajo consumo de energía, generalmente son difíciles de entrenar, principalmente debido a su compleja dinámica neuronal y la naturaleza indistinguible de los procesos de picos.
¿Dónde se usa la computación neuromórfica?
Según los expertos, los dispositivos neuromórficos complementarán en lugar de reemplazar el hardware informático tradicional, especialmente cuando se trata de resolver ciertos problemas tecnológicos. Si bien hay afirmaciones de que las computadoras neuromórficas pueden simular la lógica booleana, una idea fundamental en cualquier lenguaje de programación moderno, esto sugiere que las computadoras neuromórficas pueden potencialmente realizar computación de propósito general.
En cualquier caso, las áreas y aplicaciones en las que el cerebro es superior a las computadoras tradicionales en términos de eficiencia energética y velocidad computacional encontrarán la computación neuromórfica muy impresionante.
Estos incluyen la aplicación de inteligencia artificial (IA) para realizar tareas cognitivas de manera efectiva, como la identificación de voz o imagen, así como la apertura de nuevas posibilidades para la robótica, la detección y la atención médica (por nombrar algunos).
Aunque el tema aún está en pañales y hay obstáculos que superar, la computación neuromórfica se está volviendo cada vez más popular y ofrece una alternativa viable a los sistemas informáticos tradicionales.
Fuente: noticias de ciencia avanzada
Günceleme: 14/03/2023 15:25