Mas Leída

Cómo los científicos están construyendo un mejor cerebro en un chip

23 Jun , 2021  

Para crear una IA más eficiente, los investigadores están buscando respuestas en el cerebro una vez más.

Durante casi un siglo, los científicos han recurrido al cerebro para crear modelos informáticos. La base de muchos de estos sistemas, desde la inteligencia artificial más antigua hasta los modelos de aprendizaje profundo actuales, son las redes neuronales artificiales. Estas redes de nodos eléctricos son una aproximación aproximada del funcionamiento interno de nuestra mente. Al igual que las neuronas que transportan pulsos a través de nuestro sistema nervioso, las señales enviadas a través de redes neuronales artificiales, o ANN, permiten a las máquinas resolver problemas complejos e incluso aprender con el tiempo.

Esta tecnología ha estimulado los avances en IA en las últimas décadas. Las ANN, que se han considerado el estándar de oro para los sistemas informáticos basados ​​en el cerebro, se encuentran en casi todos los entornos imaginables, desde las finanzas hasta la robótica y los teléfonos inteligentes.

Pero la informática en este nivel puede afectar los recursos. En un estudio de 2019 ,Los investigadores estimaron que un solo modelo de aprendizaje profundo puede generar aproximadamente las mismas emisiones de CO2 que cinco automóviles, combinados, en toda su vida útil. Eso es aproximadamente 17 veces la cantidad que el estadounidense promedio emite en un año.

A medida que los sistemas de inteligencia artificial se vuelven más grandes y complejos, los investigadores están trabajando en formas de hacer que estos procesos sean más eficientes y sostenibles desde el punto de vista energético. Para lograr esto, los expertos miran (una vez más) hacia el sistema de procesamiento más eficiente que conocemos: el cerebro.

El cerebro como musa

En el cerebro, las neuronas están conectadas por vías. Una neurona, si recibe suficiente información, enviará una señal a la siguiente en la línea. A medida que pasan más señales entre estas neuronas, esa conexión se fortalece. Los neurocientíficos explican este proceso utilizando el sistema neumático, «disparar juntos, conectar juntos», y es esencialmente cómo ocurre el aprendizaje.

Ya en la década de 1940, pensadores clave han desarrollado modelos informáticos basados ​​en la biología del cerebro humano. Para crear redes neuronales en las computadoras, los científicos crean vínculos entre diferentes elementos de procesamiento en el sistema, modelados a partir de la transferencia de señal entre sinapsis en el cerebro. Cada una de estas conexiones tiene un llamado peso, que indica qué tan fuerte es la conexión entre una entrada y una salida. Al igual que en el cerebro biológico, estos pesos se pueden fortalecer o debilitar en función de cómo se entrena el sistema informático.

Sin embargo, las redes neuronales artificiales son una aproximación torpe del verdadero poder de procesamiento del cerebro biológico. En muchas versiones de las RNA, las capas de neuronas se apilan unas sobre otras. En cada capa, estas neuronas reciben señales de la capa anterior antes de activar todas las neuronas en la siguiente. Activar cada entrada y salida en una dirección como esta puede atascar la potencia de procesamiento del sistema y requerir mucha más energía. En la era del aprendizaje profundo, los recursos necesarios para el mejor modelo de inteligencia artificial de su clase se han duplicado cada 3,4 meses , en promedio. Y a medida que los sistemas de inteligencia artificial se vuelven más grandes y complejos, la eficiencia se vuelve cada vez más importante.

“A medida que su diseño se vuelve cada vez más sofisticado, se requieren más y más recursos computacionales, se requiere mucha más potencia”, dice Wenzhe Guo , estudiante de ingeniería eléctrica e informática en la Universidad de Ciencia y Tecnología King Abdullah.

Para mediar en este problema, los científicos miran hacia el cerebro en busca de pistas. En los últimos años, los investigadores han logrado grandes avances en el desarrollo de redes neuronales de picos (SNN), una clase de ANN que se basa más de cerca en la biología. Según el modelo SNN, las neuronas individuales activan otras neuronas solo cuando son necesarias. Esto emula el «pico» que desencadena el paso de señales a través de neuronas biológicas. Este enfoque asincrónico garantiza que el sistema solo impulse una interacción cuando sea necesario para una determinada acción.

Guo es el investigador principal de un equipo que programó un microchip de bajo costo para usar la tecnología SNN. Su equipo demostró que su chip era 20 veces más rápido y 200 veces más eficiente energéticamente que otras plataformas de redes neuronales. Alejarse de las RNA, que son aproximaciones simplistas del cerebro, dice, abre nuevas oportunidades para la velocidad y la eficiencia.

Las principales empresas han comenzado a aprovechar el poder del modelo SNN para crear y entrenar chips neuromórficos complejos, una IA basada en algoritmos que refleja más de cerca cómo el cerebro humano interactúa con el mundo. TrueNorth de IBM , presentado en 2019, contiene un millón de neuronas y 256 millones de sinapsis en un chip de 28 nanómetros. El chip Loihi de Intel contiene 130.000 neuronas en 14 nanómetros y es capaz de un aprendizaje continuo y autónomo.

¿Más humano que un humano?

La inteligencia artificial, dice Guo, «ha estado involucrada en todos los aspectos de la vida». La computación basada en el sistema nervioso ya se usa ampliamente en software de clasificación de imágenes y reconocimiento de audio, robótica cognitiva , comunicación personal, nuestra comprensión actual de la actividad muscular y mucho más.

A medida que estos sistemas informáticos continúan pareciéndose más al cerebro, se hace un esfuerzo por usar chips de inteligencia artificial para estudiar el misterioso órgano que los inspiró. No existe un sistema modelo in vitro (experimentos que tienen lugar en tubos de ensayo y placas de Petri) para los científicos que esperan estudiar enfermedades neurodegenerativas, como el Alzheimer y la enfermedad de Parkinson. Probar medicamentos en el tejido cerebral real también puede ser un desafío, porque la complejidad del órgano puede dificultar la identificación de los mecanismos exactos que impulsan ciertos resultados de la investigación.

En una revisión de 2020 publicada en Neural Networks , un equipo de investigadores comparó ANN y SNN. Aunque las SNN aún no han alcanzado el nivel computacional de las ANN, los autores dicen que el progreso continuo las conducirá en la misma dirección. «El rápido progreso en este dominio produce continuamente resultados asombrosos con un tamaño de red cada vez mayor», escriben los autores del estudio, y agregan que la trayectoria de la tecnología es similar al desarrollo inicial del aprendizaje profundo.

Guo dice que los chips SNN, como el que está desarrollando su equipo, están hechos para ser útiles para varios propósitos. Dado que los chips se asemejan más a las vías neuronales del cerebro humano, algún día pueden ofrecer un modelo útil para los neurólogos que estudian diferentes enfermedades. «A partir de ahora, este SNN todavía no es tan bueno como ANN», señala Guo. «Pero tiene todo su potencial en el futuro».

,