Resumen: Los investigadores desarrollaron un sistema informático experimental, parecido a un cerebro biológico, que identificó con éxito números escritos a mano con una tasa de precisión del 93,4%.

Este avance se logró gracias a un nuevo algoritmo de entrenamiento que proporciona retroalimentación continua en tiempo real, superando a los métodos tradicionales de procesamiento de datos por lotes, lo que resultó en una precisión del 91,4 %.

El diseño del sistema incluye una serie autoorganizada de nanocables sobre electrodos, con memoria entrelazada y capacidades de procesamiento, a diferencia de las computadoras convencionales con módulos separados.

Este avance en la informática inspirada en el cerebro podría revolucionar las aplicaciones de IA, al requerir menos energía y sobresalir en el análisis de datos complejos.

Reflejos:

1. El sistema de matriz de nanocables demostró capacidades de aprendizaje superiores, logrando una precisión del 93,4 % en la identificación de números escritos a mano.
2. El algoritmo de entrenamiento único del sistema y el almacenamiento de memoria dentro de su estructura física lo distinguen de los enfoques informáticos tradicionales.
3. Esta tecnología tiene potencial para aplicaciones de IA energéticamente eficientes capaces de procesar datos complejos y en evolución en tiempo real.

Fuente: UCLA

Un sistema informático experimental modelado físicamente a partir del cerebro biológico «aprendió» a identificar números escritos a mano con una precisión general del 93,4%.

La innovación clave del experimento fue un nuevo algoritmo de entrenamiento que proporcionaba al sistema información continua sobre su éxito en la tarea en tiempo real a medida que aprendía.

El algoritmo superó un enfoque convencional de aprendizaje automático en el que el entrenamiento se realizaba después de procesar un lote de datos, lo que produjo una precisión del 91,4%. Los investigadores también demostraron que la memoria de entradas pasadas almacenadas en el propio sistema mejoraba el aprendizaje. Por el contrario, otros enfoques informáticos almacenan la memoria en software o hardware separados del procesador de un dispositivo.

FONDO

Durante 15 años, investigadores del Instituto NanoSystems de California (CNSI) de UCLA han estado desarrollando una nueva plataforma de tecnología informática. La tecnología es un sistema inspirado en el cerebro formado por una red enredada de cables que contienen plata colocados sobre un lecho de electrodos.

El sistema recibe entradas y produce salidas mediante impulsos eléctricos. Los cables individuales son tan pequeños que su diámetro se mide en la nanoescala, en milmillonésimas de metro.

Los “pequeños cerebros plateados” son muy diferentes de las computadoras actuales, que contienen módulos separados de memoria y procesamiento compuestos de átomos cuyas posiciones no cambian cuando los electrones pasan a través de ellos.

Por el contrario, la red de nanocables se reconfigura físicamente en respuesta a un estímulo, con una memoria basada en su estructura atómica y distribuida por todo el sistema. Cuando los cables se superponen, se pueden formar o romper conexiones, un comportamiento análogo a las sinapsis en el cerebro biológico, donde las neuronas se comunican entre sí.

Colaboradores de investigación de la Universidad de Sydney desarrollaron un algoritmo simplificado para proporcionar entradas e interpretar resultados. El algoritmo está personalizado para explotar la capacidad cerebral del sistema para cambiar y procesar dinámicamente múltiples flujos de datos simultáneamente.

MÉTODO

El sistema similar a un cerebro estaba hecho de un material que contenía plata y selenio, que podía autoorganizarse en una serie de nanocables entrelazados encima de una serie de 16 electrodos. Los científicos entrenaron y probaron la red de nanocables utilizando imágenes de números escritos a mano, un conjunto de datos creado por el Instituto Nacional de Estándares y Tecnología y que a menudo se utiliza para evaluar sistemas de aprendizaje automático.

Las imágenes se transmitieron al sistema píxel a píxel mediante pulsos eléctricos que duraban cada una una milésima de segundo, con diferentes voltajes que representaban píxeles claros u oscuros.

IMPACTO

Aún en desarrollo, se espera que la red de nanocables requiera mucha menos energía que los sistemas de inteligencia artificial basados ​​en silicio para realizar tareas similares. La red también se muestra prometedora en tareas que la IA actual lucha por lograr: dar sentido a datos complejos, como tendencias climáticas, tráfico y otros sistemas que cambian con el tiempo. Para ello, la IA actual requiere enormes cantidades de datos de entrenamiento y un gasto energético extremadamente elevado.

Con el tipo de codiseño utilizado en este estudio (hardware y software desarrollados en conjunto), las redes de nanocables podrían, en última instancia, desempeñar un papel complementario junto con los dispositivos electrónicos basados ​​en silicio.

La memoria y el procesamiento similar al cerebro integrados en sistemas físicos capaces de adaptación y aprendizaje continuos pueden ser particularmente adecuados para la llamada “computación de borde”, que procesa datos complejos en el lugar sin requerir comunicación con servidores remotos.

Los usos potenciales incluyen la robótica, la navegación autónoma en máquinas como vehículos y drones, y la tecnología de dispositivos inteligentes que conforma el Internet de las cosas, así como el monitoreo de la salud y la coordinación de mediciones de sensores ubicados en varios lugares.

AUTORES

Los autores correspondientes del estudio son James Gimzewski, distinguido profesor de química en UCLA y miembro del CNSI; Adam Stieg, científico investigador de UCLA y director asociado de CNSI; Zdenka Kuncic, profesora de física de la Universidad de Sydney; y Ruomin Zhu, estudiante de doctorado de la Universidad de Sydney y también el primer autor. Otros coautores son Sam Lilak, quien recibió su doctorado en UCLA en 2022; y Alon Loeffler y Joseph Lizier de la Universidad de Sydney.

FONDOS

El estudio contó con el apoyo de la Universidad de Sydney y la Comisión Fulbright australiano-estadounidense.

Sobre esta noticia de investigación en neurociencia computacional

Autor: Nicole Wilkins
Fuente: UCLA
Contactar: Nicole Wilkins-UCLA
Imagen: La imagen está acreditada a Neuroscience News.

Investigacion original: Acceso libre.
«Aprendizaje dinámico en línea y memoria de secuencias con redes de nanocables neuromórficos» por James Gimzewski et al. Comunicaciones naturales

Abstracto

Aprendizaje dinámico en línea y memoria de secuencias con redes de nanocables neuromórficos

Las matrices de nanocables (NWN) pertenecen a una clase emergente de sistemas neuromórficos que explotan las propiedades físicas únicas de los materiales nanoestructurados. Además de su estructura física similar a una red neuronal, los NWN también exhiben conmutación de memoria resistiva en respuesta a entradas eléctricas debido a cambios de conductancia similares a las sinapsis en las uniones de puntos de cruce entre nanocables y nanocables.

Estudios anteriores han demostrado cómo la dinámica neuromórfica generada por las NWN puede explotarse para tareas de aprendizaje temporal.

Este estudio amplía estos hallazgos al demostrar el aprendizaje en línea a partir de características dinámicas espaciotemporales utilizando tareas de clasificación de imágenes y recuperación de memoria de secuencia implementadas en un dispositivo NWN.

Aplicado a la tarea de clasificación de dígitos escritos a mano de MNIST, el aprendizaje dinámico en línea con el dispositivo NWN logra una precisión general del 93,4%.

Además, encontramos una correlación entre la precisión de la clasificación de clases de dígitos individuales y la información mutua. La tarea de memoria de secuencia revela cómo los patrones de memoria integrados en características dinámicas permiten el aprendizaje en línea y la recuperación de un patrón de secuencia espaciotemporal.

En general, estos resultados proporcionan una prueba del concepto de aprendizaje en línea a partir de la dinámica espaciotemporal utilizando NWN y explican con más detalle cómo la memoria puede mejorar el aprendizaje.