Neuronas artificiales imitan funciones biológicas para mejorar chips

Un equipo de investigadores de la USC Viterbi School of Engineering y la School of Advanced Computing ha desarrollado neuronas artificiales que replican el complejo comportamiento electroquímico de las células cerebrales biológicas. Este avance, documentado en la revista Nature Electronics, representa un gran paso en la tecnología de computación neuromórfica.

La innovación permitirá reducir el tamaño de los chips y su consumo energético de manera significativa, lo que podría impulsar el desarrollo de la inteligencia artificial general. A diferencia de los procesadores digitales convencionales o de los chips neuromórficos existentes basados en tecnología de silicio, estas neuronas artificiales emulan físicamente las dinámicas analógicas de sus contrapartes biológicas. Así como los neuroquímicos inician la actividad cerebral, se pueden utilizar químicos para iniciar cálculos en dispositivos de hardware inspirados en el cerebro.

El trabajo, liderado por el profesor Joshua Yang, quien también dirigió investigaciones sobre sinapsis artificiales hace más de una década, introduce un nuevo tipo de neurona artificial basada en el llamado memristor difusivo. El artículo en Nature Electronics explora cómo estas neuronas artificiales pueden habilitar una nueva clase de chips que complementen y mejoren las tecnologías basadas en silicio actuales, que alimentan casi toda la electrónica moderna y dependen del movimiento de electrones para la computación.

En lugar de eso, el dispositivo difusivo introducido por Yang y sus colegas se basa en el movimiento de átomos. Estas neuronas pueden permitir chips más nuevos que operen de manera más similar a como funciona nuestro cerebro, sean más eficientes energéticamente y puedan facilitar la llegada de lo que se conoce como inteligencia artificial general (AGI).

Cómo funciona el dispositivo

En el proceso biológico, el cerebro utiliza señales eléctricas y químicas para impulsar acciones en el cuerpo. Las neuronas o células nerviosas comienzan con señales eléctricas que, al llegar al espacio o brecha al final de la neurona (la sinapsis), se convierten en señales químicas para transmitir y procesar la información. Una vez que la información cruza a la siguiente neurona, algunas de esas señales se convierten nuevamente en señales eléctricas a lo largo del cuerpo de la neurona.

Este es el proceso físico que Yang y sus colegas han logrado emular con alta fidelidad en varios aspectos críticos. La gran ventaja es que su neurona artificial basada en memristores difusivos requiere solo el espacio de un solo transistor, en lugar de los decenas a cientos utilizados en los diseños convencionales.

En particular, en el modelo biológico, los iones o partículas cargadas ayudan a generar las señales eléctricas que provocan acciones dentro de la neurona. En el cerebro humano, tales procesos dependen de químicos (por ejemplo, iones) como el potasio, sodio o calcio para forzar esta acción.

En el actual trabajo, Yang, quien es director del Center of Excellence on Neuromorphic Computing en la USC, utiliza iones de plata en óxido para generar el pulso eléctrico y emular los procesos para realizar cálculos en actividades como movimiento, aprendizaje y planificación.

"Aunque no son exactamente los mismos iones en nuestras sinapsis y neuronas artificiales, la física que rige el movimiento de iones y las dinámicas son muy similares", afirmó. "La plata es fácil de difundir y nos proporciona la dinámica que necesitamos para emular el biosistema, de modo que podamos lograr la función de las neuronas, con una estructura muy simple".

El nuevo dispositivo que puede habilitar un chip similar al cerebro se llama memristor difusivo debido al movimiento de iones y la difusión dinámica que ocurre con el uso de plata. Yang añadió que el equipo eligió utilizar dinámicas iónicas para construir sistemas de inteligencia artificial "porque eso es lo que sucede en el cerebro humano, por una buena razón y dado que el cerebro humano es el 'ganador de la evolución': el motor inteligente más eficiente".

"Es más eficiente", explicó, "no es que nuestros chips o computadoras no sean lo suficientemente potentes para lo que están haciendo. Es que no son lo suficientemente eficientes. Usan demasiada energía".

Esto es particularmente relevante, dado el nivel de energía necesario para ejecutar grandes modelos de software con una gran cantidad de datos, como el aprendizaje automático para la inteligencia artificial.

Yang continuó explicando que, a diferencia del cerebro, "nuestros sistemas de computación existentes nunca fueron diseñados para procesar grandes cantidades de datos o para aprender de solo unos pocos ejemplos por sí mismos. Una forma de aumentar tanto la eficiencia energética como la de aprendizaje es construir sistemas artificiales que operen de acuerdo con principios observados en el cerebro".

Si bien los electrones que impulsan la computación moderna son los mejores para operaciones rápidas, Yang argumenta que "los iones son un mejor medio que los electrones para encarnar los principios del cerebro. Debido a que los electrones son ligeros y volátiles, computar con ellos permite un aprendizaje basado en software en lugar de un aprendizaje basado en hardware, que es fundamentalmente diferente de cómo opera el cerebro".

En contraste, dice, "el cerebro aprende moviendo iones a través de membranas, logrando un aprendizaje energético y adaptativo directamente en hardware, o más precisamente, en lo que la gente puede llamar 'wetware'".

Por ejemplo, un niño pequeño puede aprender a reconocer dígitos escritos a mano después de ver solo unos pocos ejemplos de cada uno, mientras que una computadora típicamente necesita miles para lograr la misma tarea. Sin embargo, el cerebro humano logra este notable aprendizaje mientras consume solo alrededor de 20 vatios de energía, en comparación con los megavatios requeridos por las supercomputadoras actuales.

Este nuevo método se acerca un paso más a imitar la inteligencia natural.

Yang señaló que la plata utilizada en el experimento no es fácilmente compatible con la fabricación de semiconductores convencionales, y que se necesitarán investigar especies iónicas alternativas para funcionalidades similares.

La eficiencia de estos memristores difusivos incluye no solo energía, sino también tamaño. Normalmente, un smartphone tiene alrededor de 10 chips pero miles de millones de transistores o interruptores que controlan el encendido y apagado (0s y 1s) que sustentan la computación.

"En lugar de eso [con esta innovación], solo usamos una huella de un transistor por cada neurona. Estamos diseñando los bloques de construcción que eventualmente nos llevarán a reducir el tamaño del chip por órdenes de magnitud y reducir el consumo de energía por órdenes de magnitud, para que pueda ser sostenible realizar IA en el futuro, con un nivel de inteligencia similar sin quemar energía que no podemos sostener", dice Yang.

"Ahora que hemos demostrado bloques de construcción capaces y compactos, sinapsis y neuronas artificiales, el siguiente paso es integrar grandes cantidades de ellos y probar cuán de cerca podemos replicar la eficiencia y capacidades del cerebro".

"Aún más emocionante", concluye Yang, "es la perspectiva de que tales sistemas fieles al cerebro podrían ayudarnos a descubrir nuevos conocimientos sobre cómo funciona el cerebro mismo".