Neuronas artificiales de cambio de fase de IBM imitan picos cerebrales para computación ultra-densa y bajo consumo

Investigadores de IBM en Zurich crean neuronas artificiales que emulan el comportamiento "integrar-y-disparar" del cerebro.

Inspirándose en la comunicación basada en picos del cerebro humano, IBM Research en Zurich ha diseñado neuronas artificiales que emulan el comportamiento "integrar-y-disparar" que vemos al tocar una placa caliente. Estos dispositivos pueden detectar patrones y descubrir correlaciones en grandes conjuntos de datos consumiendo energía y ocupando espacio comparable al tejido biológico —un logro que ha eludido a científicos por décadas.

El avance se detalla en el artículo "Stochastic phase-change neurons," que adorna la portada de Nature Nanotechnology hoy. El trabajo demuestra cómo elementos de memoria de cambio de fase pueden configurarse para actuar como neuronas ultra-densas y de baja energía capaces de aprendizaje no supervisado a alta velocidad.

Hablé con el coautor y científico de IBM Research – Zurich Manuel Le Gallo, quien está completando su doctorado en ETH Zurich.

¿Cómo funciona una neurona artificial?

Manuel Le Gallo: Una neurona artificial implementa un circuito "integrar-y-disparar". Acumula señales entrantes; cuando el potencial sumado alcanza un umbral, emite un pico. Esta simple acumulación puede realizar computaciones sorprendentemente complejas.

¿Qué inspiró el diseño?

ML: El objetivo es reflejar el poder computacional de una neurona biológica. Mientras que neuronas artificiales tradicionales dependen de transistores CMOS, nuestro enfoque usa dispositivos de cambio de fase para lograr la misma funcionalidad con dramáticamente menor consumo y mayor densidad.

¿Cuál fue su rol?

ML: Mi investigación sobre física de cambio de fase en los últimos tres años informó el diseño de estas neuronas y nos permitió interpretar los datos experimentales presentados en el artículo.

"Creemos que nuestro enfoque será más eficiente, especialmente para procesar grandes cantidades de datos."

—Manuel Le Gallo, científico de IBM Research

¿Dónde pueden aplicarse las neuronas artificiales?

ML: Nuestros experimentos muestran que una sola neurona con múltiples sinapsis plásticas puede detectar correlaciones temporales a través de muchas corrientes de eventos binarios —como redes sociales, clima o datos de sensores IoT— disparando cuando los eventos se alinean.

¿Por qué la computación neuromórfica es más eficiente?

ML: Las arquitecturas convencionales separan memoria y lógica, forzando costoso traslado de datos. En sistemas neuromórficos, computación y almacenamiento coexisten, eliminando transferencias memoria-a-lógica y reduciendo dramáticamente consumo de energía, especialmente para conjuntos de datos masivos.

Manuel Le Gallo obtuvo su Máster en Ingeniería Eléctrica en ETH Zurich y completó su tesis en IBM. Ahora persigue un doctorado.

Sobre el autor: Millian Gehrer es pasante de verano en IBM Research – Zurich, entrevistando científicos para aprender sobre su trabajo. En otoño, comenzará Ciencias de la Computación en la Universidad de Princeton.