Aprendizaje automático: la ‘sinapsis artificial’ podría hacer que las redes neuronales funcionen más como cerebros

rap«>Las redes de resistencias a nanoescala que funcionan de manera similar a las células nerviosas del cuerpo podrían ofrecer ventajas sobre el aprendizaje automático digital

Por alex wilkins

Una resistencia que funciona de manera similar a las células nerviosas del cuerpo podría usarse para construir redes neuronales para el aprendizaje automático.

Muchos modelos grandes de aprendizaje automático dependen de cantidades cada vez mayores de potencia de procesamiento para lograr sus resultados, pero esto genera costos de energía significativos y produce grandes cantidades de calor.

Una solución propuesta es el aprendizaje automático analógico, que funciona como un cerebro que utiliza dispositivos electrónicos similares a las neuronas para actuar como partes del modelo. Sin embargo, estos dispositivos hasta ahora no han sido lo suficientemente rápidos, pequeños o eficientes para ofrecer ventajas sobre el aprendizaje automático digital.

Murat Onen del Instituto Tecnológico de Massachusetts y sus colegas han creado una resistencia a nanoescala que transmite protones de un terminal a otro. Funciona como una sinapsis, una conexión entre dos neuronas, donde los iones fluyen en una dirección para transmitir información. Pero estas “sinapsis artificiales” son 1000 veces más pequeñas y 10 000 veces más rápidas que sus contrapartes biológicas.

Así como un cerebro humano aprende remodelando las conexiones entre millones de neuronas interconectadas, los modelos de aprendizaje automático también podrían operar en redes de estos nanorresistores.

“Hacemos cosas algo similares [to biology]como transportar iones, pero ahora lo hacemos muy rápido, cuando la biología no podía”, dice Onen, cuyo dispositivo es un millón de veces más rápido que los antiguos dispositivos de transporte de protones.

La resistencia utiliza potentes campos eléctricos para transportar protones a velocidades muy altas sin dañar o romper la propia resistencia, un problema que habían sufrido las resistencias de protones de estado sólido anteriores.

Para el aprendizaje automático analógico práctico, se necesitarán sistemas que contengan muchos millones de resistencias. Onen admite que esto es un desafío de ingeniería, pero el hecho de que todos los materiales sean compatibles con el silicio debería facilitar la integración con las arquitecturas informáticas existentes.

«Por lo que logran en términos de tecnología (muy alta velocidad, bajo consumo de energía y eficiencia), suena realmente impresionante», dice Sergey Saveliev de la Universidad de Loughborough, Reino Unido. Sin embargo, el hecho de que el dispositivo use tres terminales, en lugar de dos como lo hace una neurona humana, podría dificultar la ejecución de algunas redes neuronales, agrega.

Pavel Borisov, también de la Universidad de Loughborough, está de acuerdo en que es una tecnología impresionante, pero señala que los protones provienen del gas hidrógeno, lo que podría resultar difícil de almacenar de forma segura en el dispositivo cuando se escala la tecnología.

Referencia de la revista: La cienciaDOI: 10.1126/ciencia.abp8064