Producir neuronas artificiales más efectivas que las neuronas humanas… la idea no es nueva. Sin embargo, los investigadores del MIT lo han llevado a un nivel completamente diferente. Afirman haber creado una red neuronal artificial capaz de operar un millón de veces más rápido que en humanos.
Esta hazaña se habría logrado utilizando una red neuronal analógica. Pero, ¿Cuál es el punto de crear neuronas artificiales ? Para entender esto, ya debemos volver al concepto de red neuronal. Si reanudamos la definición de la Federación de Investigación del Cerebro, las neuronas pueden verse como «la unidad de trabajo básica» del cerebro. Son células especializadas. Transmiten información a otras células nerviosas, dependiendo de su área de especialización. Consisten en general en:
Estas neuronas están conectadas entre sí por sinapsis, que conectan el axón y la dendrita. Se comunican a través de señales eléctricas, llamadas potenciales de acción:
esto es lo que libera neurotransmisores. Estos son mensajeros químicos responsables de pasar por las sinapsis para transmitir información. Así que aquí tenemos una red neuronal natural.
Una red neuronal artificial está vinculada al área comúnmente conocida como inteligencia artificial. En realidad, es un sistema que se alimenta con una gran cantidad de datos para «aprender» y extraer conexiones lógicas para un propósito dado. Estos métodos de aprendizaje están inspirados en el funcionamiento de las neuronas biológicas, y es por eso que estamos hablando de la red neuronal artificial.
DMSE’s Bilge Yildiz, Frances Ross, Ju Li, and other MIT researchers develop a new analog synapse that is 1 million times faster than synapses in the human brain. https://t.co/CDBBtgBaq9 pic.twitter.com/32j6hgSedM
— DMSE at MIT (@mit_dmse) August 3, 2022
De hecho, los datos enviados circulan en una cuadrícula artificial de neuronas, generalmente virtual. En realidad, estos son puntos en la red unidos por sinapsis de código de computadora, (de alguna manera). Por lo tanto, esta red recibe información entrante, datos de aprendizaje y emite información saliente.
En ambos casos, existe un fenómeno de aprendizaje que implica el procesamiento de datos. En nuestro cerebro biológico, las conexiones entre neuronas, sinapsis, se ven reforzadas o debilitadas por la experiencia y el aprendizaje. En una red neuronal artificial, el principio es un poco similar: los enlaces entre los puntos de la red se ponderan de acuerdo con el procesamiento de muchos datos. Es por eso que estamos hablando de aprendizaje profundo, o «aprendizaje profundo«.
La novedad presentada aquí por los científicos es una red neuronal que realiza estos cálculos extremadamente rápido y con pocos requerimientos de energía. Para esto, explican que no se basaron en una red neuronal digital, sino analógica. Volvamos a la diferencia entre analógico y digital.
Analógico y digital son dos procesos diferentes. Ambos permiten transportar y almacenar datos. Por ejemplo, audio, imagen, video… El sistema analógico apareció desde el inicio de la electricidad. Sin embargo, lo digital ha aparecido con las computadoras. En un sistema analógico, el principio básico es reproducir la señal que se registrará en una forma similar.
Por ejemplo, la televisión analógica funcionó según este principio. La imagen a retransmitir se convirtió en señales eléctricas, que se denominó señal de video, caracterizada por su frecuencia, es decir, el número de oscilaciones en un segundo. Estas señales eléctricas se transmitieron a través de una onda electromagnética a la que se siguen las mismas amplitudes que la señal original. La señal transmitida es, por lo tanto, una especie de reproducción de la señal original.
En digital, la señal a grabar se convierte en una secuencia de 0 y 1. Por lo tanto, las amplitudes ya no se reproducen, sino que se codifican y decodifican a la llegada. Esto es lo que cambió durante el cambio a la televisión digital, como explica el siguiente video.
En digital, obtenemos una señal con dos amplitudes en lugar de un infinito en analógico. Hasta ahora, las redes neuronales artificiales han funcionado principalmente según el principio de lo digital. Por lo tanto, los pesos de red se programan utilizando algoritmos de aprendizaje, y los cálculos se realizan utilizando secuencias 0 y 1. Sin embargo, al aplicar un sistema analógico, los científicos del MIT lograron crear, dijeron, una red neuronal mucho más rápida y eficiente que en los humanos. Un millón de veces más rápido, para ser exactos.
En un sistema de aprendizaje profundo analógico, por lo tanto, no es la transmisión de datos en forma de 0 y 1 lo que juega un papel, sino « aumentando y disminuyendo la conductancia eléctrica de las resistencias protónicas que permite el aprendizaje automático, ¿podemos leer en el comunicado de prensa del MIT. La conductancia se define por la capacidad de pasar la corriente (la inversa de la resistencia). «La conductancia está controlada por el movimiento de protones. Para aumentar la conductancia, se empujan más protones a un canal de resistencia, mientras que para disminuir la conductancia, se eliminan los protones. Esto se logra utilizando un electrolito (similar al de una batería) que acciona protones, pero bloquea electrones«.
La resistencia eléctrica es una propiedad física de un material que limita el paso de la corriente eléctrica a través de un circuito. Por lo tanto, un componente que posee esta propiedad se utiliza para limitar el paso de electrones a través del circuito. En este caso, por lo tanto, representa un elemento clave, ya que es el que regula el movimiento de los protones.
¿Por qué este proceso permite un funcionamiento más rápido de la red neuronal?
«Primero, el cálculo se realiza en la memoria, por lo que no se transfieren grandes cargas de datos de la memoria a un procesador», explica los científicos. «Los procesadores analógicos también realizan operaciones paralelas. Si aumenta el tamaño de la matriz, un procesador analógico no necesita más tiempo para realizar nuevas operaciones, ya que todos los cálculos ocurren simultáneamente«.
La velocidad alcanzada se cuenta así en nanosegundos. Si esto fuera posible, también se debe a que los científicos usaron un material en particular: el vidrio de fosfosilicato inorgánico (PSG), Un material cercano a lo que se encuentra en las bolsitas desecantes. Este material es un muy buen conductor, ya que tiene muchos poros nanométricos que permiten el paso de protones, al tiempo que puede soportar altos voltajes eléctricos pulsados. Esta calidad era esencial según los científicos, ya que es esta robustez la que les permite aplicar mayores voltajes eléctricos y, por lo tanto, obtener esta alta velocidad.
«El potencial de acción en las células biológicas aumenta y disminuye con una escala de tiempo de unos pocos milisegundos, ya que la diferencia de voltaje de aproximadamente 0.1 voltios está limitada por la estabilidad del agua.«, explica el autor principal Ju Li, profesor de ciencia e ingeniería nuclear de Battelle Energy Alliance y profesor de ciencia e ingeniería de materiales, «Aquí aplicamos hasta 10 voltios a través de una película especial de vidrio sólido de espesor nanométrico que conduce protones, sin dañarlo permanentemente. Y cuanto más fuerte sea el campo, más rápidos serán los dispositivos iónicos.«.
Los científicos esperan poder repensar este sistema para adaptarlo a la fabricación de gran volumen. Ponen grandes esperanzas en este avance: «Una vez que se ha desarrollado un procesador analógico, ya no es necesario entrenar las redes en las que todos trabajan, sino redes con complejidades sin precedentes, que nadie más puede permitirse, superando todo lo que era posible antes. En otras palabras, no es un automóvil más rápido, es una nave espacial«, agrega Murat Onen, autor principal y postdoctoral al MIT.