La computación neuromórfica magnética impulsa la eficiencia de la IA a niveles humanos

Los imanes pueden ayudar a la inteligencia artificial a alcanzar una eficiencia similar a la humana en el reconocimiento de objetos.

Investigadores han desarrollado nuevas redes que consumen menos energía y memoria para realizar tareas análogas a los cómputos cerebrales.

Dinámica magnética y comportamiento neuronal

La dinámica eléctrica de las neuronas es sorprendentemente similar a la dinámica de conmutación de un nanomagneto. El comportamiento de conmutación exhibido por los dispositivos de unión de túnel magnético es de naturaleza estocástica. Dado que este comportamiento representa la conmutación sigmoide de una neurona, la unión magnética puede utilizarse para almacenar pesos sinápticos.

Aprovechando esta propiedad excepcional de los imanes, investigadores de la Universidad de Purdue han desarrollado un método que podría ayudar a los robots impulsados por inteligencia artificial (IA) a lograr una eficiencia humana en el reconocimiento de objetos.

El método consiste en fusionar la magnetismo con redes inspiradas en el cerebro para enseñar a máquinas —como drones, coches autónomos y robots— a generalizar mejor sobre diversos objetos.

Un nuevo algoritmo: ReStoCNet

Las Redes Neuronales de Pulsos (SNNs) ofrecen una alternativa prometedora para realizar sistemas neuromórficos inteligentes, que requieren menos recursos computacionales que las redes neuronales convencionales. Estas redes codifican y transmiten datos en forma de eventos de pulsos dispersos.

En este estudio, los investigadores utilizaron la plasticidad dependiente del tiempo de los pulsos (STDP) para desarrollar un nuevo algoritmo de entrenamiento estocástico llamado Stochastic-STDP. Se trata de una SNN convolucional residual profunda, denominada ReStoCNet, compuesta por núcleos binarios para computación neuromórfica eficiente en memoria.

Referencia: Frontiers | doi:10.3389/fnins.2019.00189 | Universidad de Purdue

Utilizando el comportamiento estocástico intrínseco de los imanes, los investigadores conmutaron la fase de magnetización estocásticamente basándose en el nuevo algoritmo. Luego, utilizaron los pesos sinápticos entrenados durante la inferencia, que fueron codificados determinísticamente en la fase de magnetización del nanomagneto.

La regla de aprendizaje probabilística basada en STDP incorpora enfoques hebbianos y anti-hebbianos para entrenar los núcleos binarios que componen ReStoCNet de manera no supervisada capa por capa, extrayendo características jerárquicas de la entrada.

Crédito: Universidad de Purdue

El equipo empleó imanes de alta barrera energética para permitir primitivas estocásticas compactas y hacer posible usar el mismo dispositivo como elemento de memoria estable.

Validaron la eficiencia de ReStoCNet en dos conjuntos de datos públicos diferentes, demostrando que las conexiones residuales permiten a las capas convolucionales profundas aprender características de alto nivel valiosas y minimizar la pérdida incurrida por SNNs sin conexiones residuales.

¿En qué es útil?

La nueva red es capaz de representar tanto neuronas como sinapsis, reduciendo la cantidad de energía y memoria necesarias para realizar tareas similares a los cómputos cerebrales.

Estas redes inspiradas en el cerebro pueden resolver problemas de optimización difíciles, como el coloreo de grafos y el problema del viajante. Los dispositivos estocásticos presentados en este trabajo pueden funcionar como «recocido natural» y ayudar a los algoritmos a salir de mínimos locales.

Más específicamente, ReStoCNet con aprendizaje probabilístico eficiente en memoria y computación orientada a eventos es idónea para implementar hardware neuromórfico basado en CMOS y tecnologías de dispositivos estocásticos emergentes —como Memoria de Cambio de Fase (PCM) y Memoria de Acceso Aleatorio Resistiva (ReRAM)—, lo que mejora la eficiencia energética en dispositivos alimentados por batería.