Dos investigadores del Instituto de Tecnología de Nueva Jersey NJIT, que trabajan con colaboradores del Laboratorio de Investigación de Zurich de IBM y la École Polytechnique Fédérale de Lausanne, han demostrado una nueva arquitectura sináptica que podría conducir a una nueva clase de sistemas de procesamiento de información inspirados por elcerebro.
Los resultados son un paso importante hacia la construcción de sistemas informáticos más eficientes energéticamente que también sean capaces de aprender y adaptarse en el mundo real. Fueron publicados la semana pasada en un artículo en la revista Comunicaciones de la naturaleza .
Los investigadores, Bipin Rajendran, profesor asociado de ingeniería eléctrica e informática, y SR Nandakumar, un estudiante graduado en ingeniería eléctrica, han estado desarrollando sistemas informáticos inspirados en el cerebro que podrían utilizarse para una amplia gama de aplicaciones de grandes datos.
En los últimos años, los algoritmos de aprendizaje profundo han demostrado ser muy exitosos en la resolución de tareas cognitivas complejas, como el control de automóviles autónomos y la comprensión del lenguaje. En el corazón de estos algoritmos se encuentran las redes neuronales artificiales, modelos matemáticos de las neuronasy sinapsis del cerebro, que se alimentan con grandes cantidades de datos para que las fuerzas sinápticas se ajusten de forma autónoma para aprender las características intrínsecas y las correlaciones ocultas en estas secuencias de datos.
Sin embargo, la implementación de estos algoritmos inspirados en el cerebro en computadoras convencionales es altamente ineficiente, consume grandes cantidades de energía y tiempo. Esto ha llevado a los ingenieros a buscar nuevos materiales y dispositivos para construir computadoras con propósitos especiales que puedan incorporar los algoritmos.Los dispositivos de memoria a nanoescala, componentes eléctricos cuya conductividad depende aproximadamente de la actividad de señalización previa, se pueden usar para representar la fuerza sináptica entre las neuronas en las redes neuronales artificiales.
Si bien los dispositivos memristive podrían conducir a sistemas informáticos más rápidos y con mayor eficiencia energética, también están plagados de varios problemas de confiabilidad que son comunes a los dispositivos a nanoescala. Su eficiencia se debe a su capacidad de ser programados de manera analógica para almacenar múltiples bitsde información; sin embargo, sus conductividades eléctricas varían de una manera no determinista y no lineal.
En el experimento, el equipo mostró cómo múltiples dispositivos de memoria nanoescala que exhiben estas características, sin embargo, se pueden configurar para implementar de manera eficiente algoritmos de inteligencia artificial, como el aprendizaje profundo.implementar una red neuronal para la detección de patrones ocultos y correlaciones en señales que varían en el tiempo.
"En este trabajo, propusimos y demostramos experimentalmente un esquema para obtener altas eficiencias de aprendizaje con dispositivos memristivos a nanoescala para implementar algoritmos de aprendizaje", dice Nandakumar. "La idea central en nuestra demostración fue utilizar varios dispositivos memristivos en paralelo para representar elfuerza de una sinapsis de una red neuronal, pero solo eligió una de ellas para actualizarse en cada paso en función de la actividad neuronal ".
Nandakumar, quien se unió a NJIT en 2016, recibió la beca de doctorado de IBM y ha estado trabajando con el grupo de Memoria y Tecnologías Cognitivas en IBM Research - Zurich en este problema durante el año pasado.
"El objetivo de nuestra investigación es construir sistemas informáticos novedosos que estén inspirados en la arquitectura del cerebro", señala Rajendran, su asesor de investigación en NJIT. "Si bien ha habido éxitos significativos en la última década en el uso de algoritmos de aprendizaje automático"Para una amplia variedad de tareas cognitivas complejas, su uso en dispositivos móviles y sensores integrados en el mundo real requiere nuevas soluciones tecnológicas con una energía sustancialmente más baja y una mayor eficiencia. Si bien aún existen desafíos importantes, nuestro equipo ahora ha demostrado que los dispositivos de memoria a nanoescala, aunque están siendoruidoso y no ideal, se puede utilizar para tales aplicaciones de una manera directa "
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Nueva Jersey . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :