Imagen: geralt. Fuente: Pixabay.
Una nueva investigación, dirigida por la Universidad de Southampton (Inglaterra), ha demostrado que un dispositivo fabricado a nanoescala, llamado memristor, podría servir para suministrar energía a sistemas artificiales capaces de imitar al cerebro humano.
Las redes neuronales artificiales (RNA o ANN, por sus siglas en inglés) se componen de conjuntos masivamente paralelos de unidades de proceso muy simples (similares a las neuronas cerebrales); pero es en las conexiones entre estas unidades (similares a las sinapsis o conexiones entre neuronas en el cerebro) donde reside la inteligencia de cada red.
Gracias a dichas conexiones, las RNA tienen capacidades de aprendizaje y pueden realizar tareas que son difíciles para los sistemas informáticos convencionales, tales como clasificar, reconocer patrones, o aprender online.
Pero hay un problema: Actualmente, las implementaciones prácticas de las RNA están obstaculizadas por la falta de sinapsis artificiales eficientes. Ahora, una nueva investigación, dirigida por la Universidad de Southampton (Inglaterra), ha demostrado experimentalmente que un dispositivo fabricado a nanoescala, llamado memristor, podría servir para suministrar energía a sistemas artificiales capaces de imitar al cerebro humano.
La demostración, informa la revista Nature Communications, se hizo con una RNA. Esta red neuronal artificial, gracias a los menristores que impulsaron sus sinapsis, pudo aplicar sofisticadas reglas de aprendizaje, en concreto al aprendizaje reversible de datos de entrada ruidosos (esto es, de señales aleatorias que se suporponen a la señal original y confunden).
Las redes neuronales artificiales (RNA o ANN, por sus siglas en inglés) se componen de conjuntos masivamente paralelos de unidades de proceso muy simples (similares a las neuronas cerebrales); pero es en las conexiones entre estas unidades (similares a las sinapsis o conexiones entre neuronas en el cerebro) donde reside la inteligencia de cada red.
Gracias a dichas conexiones, las RNA tienen capacidades de aprendizaje y pueden realizar tareas que son difíciles para los sistemas informáticos convencionales, tales como clasificar, reconocer patrones, o aprender online.
Pero hay un problema: Actualmente, las implementaciones prácticas de las RNA están obstaculizadas por la falta de sinapsis artificiales eficientes. Ahora, una nueva investigación, dirigida por la Universidad de Southampton (Inglaterra), ha demostrado experimentalmente que un dispositivo fabricado a nanoescala, llamado memristor, podría servir para suministrar energía a sistemas artificiales capaces de imitar al cerebro humano.
La demostración, informa la revista Nature Communications, se hizo con una RNA. Esta red neuronal artificial, gracias a los menristores que impulsaron sus sinapsis, pudo aplicar sofisticadas reglas de aprendizaje, en concreto al aprendizaje reversible de datos de entrada ruidosos (esto es, de señales aleatorias que se suporponen a la señal original y confunden).
Exitosos cerebros articiales
En términos generales, los memristores son componentes eléctricos que pueden limitar o regular el flujo de corriente eléctrica de un circuito; recordar la cantidad de carga que ha fluido a través de dicho circuito y retener datos, incluso cuando el equipo está apagado.
¿Qué importancia tienen estos componentes para las redes neuronales artificiales? Alex Serb, autor principal del trabajo, la explica en un comunicado de la Universidad de Suthampton: "Si queremos fabricar sistemas artificiales que puedan imitar al cerebro en sus funciones y capacidades, necesitamos usar cientos de miles de millones de sinapsis artificiales, muchas de las cuales habrán de ser a su vez capaces de aplicar normas de aprendizaje de diversos grados de complejidad”.
En el presente, “los componentes electrónicos disponibles se pueden combinar para crear este tipo de sinapsis”, pero “la energía requerida y la eficiencia en determinadas áreas serán extremadamente difíciles de alcanzar –incluso imposibles de alcanzar- si no se diseñan nuevos componentes de sinapsis a medida''.
"Los memristores ofrecen una posible vía hacia este fin, gracias a que impulsan muchas características fundamentales de las sinapsis de aprendizaje (almacenamiento de memoria, aprendizaje online, aplicaciones de reglas de aprendizaje computacionalmente potentes, una estructura de dos terminales) en volúmenes extremadamente compactos y con un coste energético excepcionalmente bajo. Si los cerebros artificiales se van a convertir en realidad, necesitarán de las sinapsis memristivas para tener éxito", sigue diciendo Serb.
Potenciales aplicaciones
En su investigación, Serb y su equipo demostraron que una matriz de memristores de óxido de metal podía aprender y reaprender patrones de entrada (de señales) de una manera no supervisada, dentro de una red neuronal artificial probabilística de tipo winner-take-all.
Esto resultaría extremadamente útil para la fabricación de procesadores incorporados de baja potencia (tan necesarios para la Internet de las cosas o interconexión digital de objetos cotidianos con Internet), que puedan procesar en tiempo real grandes volúmenes de datos sin ningún conocimiento previo de estos.
Para Serb y su equipo, esta demostración supone la posibilidad de aplicar una nueva tecnología a la práctica, así como un cambio de paradigma, con los menristores a nanoescala como centro: Estos, dicen, podrían utilizarse para formular circuitos neuronales para el procesamiento de grandes datos a tiempo real, un desafío clave de la sociedad moderna”.
"Hemos demostrado que estas plataformas de hardware pueden adaptarse de forma independiente a su entorno, sin ninguna intervención humana, y son muy resistentes en el procesamiento de datos, incluso de datos ruidosos, en tiempo real y de forma fiable. Este nuevo tipo de hardware podría encontrar una amplia gama de aplicaciones, como la Internet de las cosas ya mencionada o la vigilancia en entornos difíciles e inaccesibles”, dicen los científicos.
El año pasado, un equipo de investigadores de la Universidad de Northwestern, en Estados Unidos, hizo otro avance para la computación cognitiva relacionado con los memristores: Los investigadores utilizaron en este caso un nanomaterial semiconductor bidimensional extremadamente fino para fabricar estos diminutos dispositivos: el disulfuro de molibdeno (MoS2). De este modo, consiguieron potenciar su funcionalidad.
En términos generales, los memristores son componentes eléctricos que pueden limitar o regular el flujo de corriente eléctrica de un circuito; recordar la cantidad de carga que ha fluido a través de dicho circuito y retener datos, incluso cuando el equipo está apagado.
¿Qué importancia tienen estos componentes para las redes neuronales artificiales? Alex Serb, autor principal del trabajo, la explica en un comunicado de la Universidad de Suthampton: "Si queremos fabricar sistemas artificiales que puedan imitar al cerebro en sus funciones y capacidades, necesitamos usar cientos de miles de millones de sinapsis artificiales, muchas de las cuales habrán de ser a su vez capaces de aplicar normas de aprendizaje de diversos grados de complejidad”.
En el presente, “los componentes electrónicos disponibles se pueden combinar para crear este tipo de sinapsis”, pero “la energía requerida y la eficiencia en determinadas áreas serán extremadamente difíciles de alcanzar –incluso imposibles de alcanzar- si no se diseñan nuevos componentes de sinapsis a medida''.
"Los memristores ofrecen una posible vía hacia este fin, gracias a que impulsan muchas características fundamentales de las sinapsis de aprendizaje (almacenamiento de memoria, aprendizaje online, aplicaciones de reglas de aprendizaje computacionalmente potentes, una estructura de dos terminales) en volúmenes extremadamente compactos y con un coste energético excepcionalmente bajo. Si los cerebros artificiales se van a convertir en realidad, necesitarán de las sinapsis memristivas para tener éxito", sigue diciendo Serb.
Potenciales aplicaciones
En su investigación, Serb y su equipo demostraron que una matriz de memristores de óxido de metal podía aprender y reaprender patrones de entrada (de señales) de una manera no supervisada, dentro de una red neuronal artificial probabilística de tipo winner-take-all.
Esto resultaría extremadamente útil para la fabricación de procesadores incorporados de baja potencia (tan necesarios para la Internet de las cosas o interconexión digital de objetos cotidianos con Internet), que puedan procesar en tiempo real grandes volúmenes de datos sin ningún conocimiento previo de estos.
Para Serb y su equipo, esta demostración supone la posibilidad de aplicar una nueva tecnología a la práctica, así como un cambio de paradigma, con los menristores a nanoescala como centro: Estos, dicen, podrían utilizarse para formular circuitos neuronales para el procesamiento de grandes datos a tiempo real, un desafío clave de la sociedad moderna”.
"Hemos demostrado que estas plataformas de hardware pueden adaptarse de forma independiente a su entorno, sin ninguna intervención humana, y son muy resistentes en el procesamiento de datos, incluso de datos ruidosos, en tiempo real y de forma fiable. Este nuevo tipo de hardware podría encontrar una amplia gama de aplicaciones, como la Internet de las cosas ya mencionada o la vigilancia en entornos difíciles e inaccesibles”, dicen los científicos.
El año pasado, un equipo de investigadores de la Universidad de Northwestern, en Estados Unidos, hizo otro avance para la computación cognitiva relacionado con los memristores: Los investigadores utilizaron en este caso un nanomaterial semiconductor bidimensional extremadamente fino para fabricar estos diminutos dispositivos: el disulfuro de molibdeno (MoS2). De este modo, consiguieron potenciar su funcionalidad.
Referencia bibliográfica:
Alexander Serb, Johannes Bill, Ali Khiat, Radu Berdan, Robert Legenstein, Themis Prodromakis. Unsupervised learning in probabilistic neural networks with multi-state metal-oxide memristive synapses. Nature Communications (2016). DOI: 10.1038/ncomms12611.
Alexander Serb, Johannes Bill, Ali Khiat, Radu Berdan, Robert Legenstein, Themis Prodromakis. Unsupervised learning in probabilistic neural networks with multi-state metal-oxide memristive synapses. Nature Communications (2016). DOI: 10.1038/ncomms12611.