Aprendizaje no supervisado con neuronas artificiales

Manuel Le La investigación de Gallo inspirará a una nueva generación de sistemas informáticos neuromórficos extremadamente densos. (Fuente:IBM Research - Zurich)

Inspirándose en la forma en que funciona el cerebro humano, un equipo de científicos de IBM Research en Zúrich ha imitado la forma en que las neuronas se disparan, por ejemplo, cuando tocamos un plato caliente. Estas llamadas neuronas artificiales se pueden usar para detectar patrones y descubrir correlaciones en Big Data con presupuestos de energía y en densidades comparables a las observadas en biología, algo que los científicos se esforzaron por lograr durante décadas. También pueden aprender sin supervisión a altas velocidades usando muy poca energía.

El artículo titulado "Neuronas de cambio de fase estocásticas", que apareció hoy en la portada de Nature Nanotechnology , describe la investigación y sus hallazgos.

Hablé con el coautor del artículo e IBM Research, el científico de Zúrich Manuel Le Gallo, que actualmente está trabajando en un doctorado de ETH Zúrich.

¿Cómo funciona una neurona artificial?

Manuel Le Gallo: La neurona tiene una cierta funcionalidad que llamamos "integrar y disparar". La neurona actúa como un acumulador:si sigue enviando múltiples entradas a la neurona, la neurona integrará todas esas entradas. Dependiendo de la cantidad de entradas y sus fuerzas, el potencial de membrana alcanzará un cierto umbral y la neurona se "disparará" o "se disparará". Un acumulador de este tipo se puede utilizar para realizar tareas computacionales sorprendentemente complejas.

¿Cómo inspira el cerebro humano el desarrollo de neuronas artificiales?

ML: La neurona artificial está construida para imitar lo que hace una neurona biológica. Una neurona artificial no tendrá exactamente la misma funcionalidad, pero aún está lo suficientemente cerca como para que pueda lograr el cálculo realizado por el cerebro usando estas neuronas. Por lo general, las neuronas artificiales se construyen utilizando circuitos basados ​​en CMOS, la tecnología de transistores estándar que tenemos en nuestras computadoras. Nuestro artículo se centra en el uso de dispositivos que no son CMOS, como los dispositivos de cambio de fase, para reproducir una funcionalidad similar con un consumo de energía reducido y una mayor densidad de área.

¿Cuál es su contribución al periódico?

ML: Obtuvimos una comprensión de la física de los dispositivos de cambio de fase a partir del trabajo de caracterización y modelado que he estado haciendo en los últimos tres años. Esto fue crucial para diseñar neuronas artificiales basadas en estos dispositivos y comprender su funcionalidad. Además, obtuve algunos de los datos experimentales presentados en el artículo y contribuí al análisis e interpretación de los resultados.

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

- Manuel Le Gallo, científico de IBM Research

¿En qué contextos se pueden aplicar las neuronas artificiales?

El pequeño los cuadrados son almohadillas de contacto que se utilizan para acceder a las celdas de cambio de fase a escala nanométrica (no visibles). Las sondas afiladas tocan las almohadillas de contacto para cambiar la configuración de fase almacenada en las células en respuesta a la entrada neuronal. Cada conjunto de sondas puede acceder a una población de 100 células.

ML: En nuestro artículo, demostramos cómo puede detectar correlaciones de múltiples flujos de eventos. Suponga que tiene varios flujos de eventos binarios y desea encontrar qué flujos están temporalmente correlacionados, por ejemplo, cuando los 1 ocurren simultáneamente.

En el artículo, demostramos cómo puede detectar correlaciones de múltiples flujos de eventos.

¿Qué quieres decir con eventos?

ML: Los eventos podrían ser, por ejemplo, datos de Twitter, datos meteorológicos o datos sensoriales recopilados por Internet de las cosas. Suponga que tiene varias secuencias de eventos binarios y desea encontrar las secuencias que están temporalmente correlacionadas, por ejemplo, cuando los 1 aparecen al mismo tiempo. Mostramos en el artículo cómo podríamos hacer esta discriminación usando solo una neurona conectada a múltiples sinapsis plásticas que reciben los eventos.

¿Qué hace que la computación neuromórfica sea más eficiente que la computación convencional?

ML: En la informática convencional, tenemos una memoria y una unidad lógica separadas. Siempre que desee realizar un cálculo, primero debe acceder a la memoria, obtener sus datos y transferirlos a la unidad lógica, que devuelve el cálculo. Y siempre que obtenga un resultado, debe enviarlo de vuelta a la memoria. Este proceso va y viene continuamente. Por lo tanto, si se trata de grandes cantidades de datos, se convertirá en un problema real.

En una red neuronal, la computación y el almacenamiento están ubicados en el mismo lugar. No es necesario establecer comunicación entre la lógica y la memoria; solo tienes que hacer las conexiones adecuadas entre las diferentes neuronas. Esa es la razón principal por la que creemos que nuestro enfoque será más eficiente, especialmente para procesar grandes cantidades de datos.