Los experimentos muestran que “las células que disparan juntas disparan juntas”. Fuente: Luis El Srouji, Yun-Jhu Lee, Mehmet Berkay On, Li Zhang y SJ Ben Yoo
Memoria perfecta, magia computacional e ingenio de espada: todos queremos un cerebro como este, pero ¿cómo se diseña un cerebro así? La realidad consta de aproximadamente 80 mil millones de neuronas que se coordinan entre sí a través de decenas de miles de conexiones en forma de sinapsis. El cerebro humano no tiene un procesador centralizado como una computadora portátil estándar.
En su lugar, se realizan varios cálculos en paralelo y se comparan los resultados. Si bien los principios de funcionamiento del cerebro humano no se comprenden completamente, los algoritmos matemáticos existentes se pueden usar para transformar los principios del aprendizaje profundo en sistemas más parecidos al cerebro humano. Este paradigma informático inspirado en el cerebro, las redes neuronales (ANN), proporciona una arquitectura informática muy adecuada para las ventajas potenciales de los sistemas que utilizan componentes ópticos y electrónicos.
En los SNN, la información se procesa en forma de picos o potenciales de acción, que son los impulsos eléctricos que se producen en las neuronas reales cuando se activan. Una de sus características clave es que utilizan el procesamiento asincrónico, lo que significa que los picos se procesan a medida que ocurren con el tiempo, en lugar del procesamiento por lotes como en las redes neuronales tradicionales. Esto permite que los SNN respondan rápidamente a los cambios en los datos de entrada y realicen ciertos tipos de cálculos de manera más eficiente que las redes neuronales tradicionales.
Los SNN también pueden implementar ciertos tipos de computación neuronal que son difíciles o imposibles de implementar en las redes neuronales tradicionales, como el procesamiento del tiempo y la plasticidad dependiente del tiempo máximo (STDP), que es una forma de aprendizaje hebbiano que permite a las neuronas cambiar su sináptica. conexiones basadas en el momento de sus picos. (El aprendizaje en hebbiano se resume como “Células que disparan juntas, se conectan juntas”. Se presta a las matemáticas que modelan la plasticidad de la capacidad de aprendizaje del cerebro).
Un artículo publicado recientemente en Revista IEEE de temas seleccionados en electrónica cuántica describe el desarrollo de un dispositivo SNN utilizando la cointegración de neuronas optoelectrónicas, circuitos eléctricos analógicos y rejillas de interferómetro Mach-Zehnder. Estas rejillas son componentes de circuitos ópticos que pueden realizar la multiplicación de matrices, de forma similar a cómo funcionan las rejillas sinápticas en el cerebro humano.
Los autores demostraron que las neuronas optoelectrónicas pueden aceptar entradas de una red de comunicación óptica, procesar información a través de circuitos eléctricos analógicos y comunicarse con la red a través de un láser. Este proceso permite una transferencia de datos y una comunicación entre sistemas más rápida que los sistemas electrónicos tradicionales.
El documento también describe el uso de algoritmos existentes, como la retropropagación aleatoria y el aprendizaje de contraste de Hebbian, para crear sistemas computacionales inspirados en el cerebro. Estos algoritmos permiten que el sistema aprenda de la información local para cada sinapsis, al igual que el cerebro humano, lo que proporciona una ventaja de rendimiento computacional significativa sobre los sistemas tradicionales de aprendizaje automático que utilizan la retropropagación.
Con respecto a la IA y el aprendizaje automático, los SNN brindan varias ventajas sobre los paradigmas informáticos modernos para tareas que imitan las condiciones en las que evolucionaron naturalmente. Debido a que los SNN procesan datos a lo largo del tiempo de forma continua, se adaptan bien a entornos en tiempo real con instancias únicas de razonamiento y aprendizaje presentadas a la vez (como el procesamiento de señales basado en eventos).
Además, la propagación de información a lo largo del tiempo permite que existan muchas formas de memoria en diferentes escalas de tiempo, como la distinción humana entre memoria de trabajo, a corto plazo y a largo plazo. La detección neuromórfica y la robótica son aplicaciones comunes de las RNA; por ejemplo, un controlador de brazo de robot adaptativo puede proporcionar un control de motor fiable a medida que se desgastan los actuadores.
Más especulativamente, los dispositivos futuros pueden explotar estas propiedades en el contexto del procesamiento de audio en vivo y lenguaje natural para asistentes de voz, servicios de subtítulos en vivo o separación de audio; De manera similar, los SNN se pueden usar para el procesamiento de video en vivo y lidar en vehículos autónomos o sistemas de vigilancia.
Más información:
Luis El Srouji et al., Redes neuronales nanofotónicas-electrónicas escalables, Revista IEEE de temas seleccionados en electrónica cuántica (2022). DOI: 10.1109/JSTQE.2022.3217011
Proporcionado por el Instituto de Ingenieros Eléctricos y Electrónicos