Una red diminuta y autoorganizada de sinapsis artificiales recuerda sus experiencias y puede resolver problemas simples. Sus creadores esperan que algún día, sobre la base de este cerebro artificial, se creen dispositivos que no sean inferiores en eficiencia energética a la potencia de cálculo del cerebro. En general, los cerebros, si omitimos sus logros al pensar y resolver problemas, son perfectos en su eficiencia energética. El cerebro necesita la misma cantidad de energía para funcionar que absorbe una lámpara incandescente de 20 vatios. Y una de las supercomputadoras más potentes y rápidas del mundo, Computer K en Kobe, Japón, utiliza hasta 9,89 megavatios de potencia, aproximadamente lo mismo que 10.000 hogares. Pero en 2013, incluso con esta energía, la máquina tardó 40 minutos en simular el 1% de la actividad del cerebro humano en 1 segundo.
Por eso, los ingenieros de investigación del NanoSystems Institute of California de la Universidad de California en Los Ángeles esperan rivalizar con las capacidades computacionales y de eficiencia energética del cerebro, gracias a sistemas que reflejan la estructura del cerebro. Están creando un dispositivo, posiblemente el primero de su tipo, que está "inspirado por el cerebro para generar propiedades que le permitan hacer lo que hace", dice Adam Stig, investigador y profesor asociado del instituto que dirige el proyecto con Jim Gimzewski, profesor de química en la Universidad de California. En los angeles.
Su diseño no se parece en nada a las computadoras ordinarias, que se basan en pequeños cables impresos en microcircuitos de silicio en circuitos altamente ordenados. La versión experimental actual es una rejilla de 2 x 2 mm de nanocables de plata conectados por sinapsis artificiales. A diferencia de los circuitos de silicio con su precisión geométrica, este dispositivo está tejido como un "plato de espagueti bien mezclado", dice Stig. Además, su fina estructura está organizada a partir de procesos químicos y eléctricos aleatorios y no está cuidadosamente diseñada.
En su complejidad, esta red plateada se asemeja a un cerebro. Hay mil millones de sinapsis artificiales por centímetro cuadrado de la cuadrícula, que es varios órdenes de magnitud diferente del cerebro real. La actividad eléctrica de la red también exhibe una propiedad exclusiva de sistemas complejos como el cerebro: "criticidad", un estado entre el orden y el caos que indica la máxima eficiencia.
norte
Esta red de nanocables altamente entrelazados puede parecer caótica y aleatoria, pero su estructura y comportamiento se parecen a los de las neuronas en el cerebro. Los científicos de NanoSystems lo están desarrollando como un dispositivo cerebral para el aprendizaje y la informática.
Además, los experimentos preliminares muestran que esta malla de alambre de plata neuromórfica (es decir, similar a un cerebro) tiene un gran potencial funcional. Ya puede realizar operaciones lógicas y educativas sencillas. Puede eliminar el ruido no deseado de la señal recibida, una capacidad importante para el reconocimiento de voz y tareas similares que causan problemas en las computadoras tradicionales. Y su existencia prueba el principio de que algún día será posible crear dispositivos con una eficiencia energética cercana a la del cerebro.
Estas ventajas son especialmente curiosas en el contexto de la proximidad del límite de miniaturización y eficiencia de los microprocesadores de silicio. "La Ley de Moore ha muerto, los semiconductores ya no pueden volverse más pequeños y la gente empieza a lamentarse sobre qué hacer", dice Alex Nugent, director ejecutivo de Knowm, una empresa de computación neuromórfica que no participa en el proyecto UCLA. “Me gusta esta idea, esta dirección. Las plataformas informáticas convencionales son mil millones de veces menos eficientes ".
Video promocional:
Cambia como sinapsis
Cuando Gimrzewski comenzó a trabajar en su proyecto de red plateada hace 10 años, no estaba interesado en absoluto en la eficiencia energética. El estaba aburrido. Después de haber usado un microscopio de barrido de túnel para estudiar la electrónica a escala atómica durante 20 años, finalmente dijo: "Estoy cansado de la perfección y el control preciso y un poco cansado del reduccionismo".
El reduccionismo, debe asumirse, subyace a todos los microprocesadores modernos, cuando los fenómenos y circuitos complejos pueden explicarse utilizando fenómenos y elementos simples.
En 2007, se le pidió que estudiara interruptores atómicos individuales (o interruptores) desarrollados por el grupo Masakazu Aono del Centro Internacional de Materiales sobre Nanoarquitectónica en Tsukuba, Japón. Estos interruptores contenían el mismo ingrediente que vuelve negra una cuchara de plata cuando toca un huevo: sulfuro de hierro intercalado entre plata metálica dura.
La aplicación de voltaje a los dispositivos empuja los iones de plata cargados positivamente en el sulfuro de plata hacia la capa del cátodo de plata, donde se reducen a plata metálica. Los filamentos de plata atómica crecen y finalmente cierran la brecha entre los lados de plata metálica. El interruptor está encendido y la corriente puede fluir. La inversión de la corriente tiene el efecto contrario: los puentes plateados se contraen y el interruptor se apaga.
Sin embargo, poco después de desarrollar el cambio, el grupo de Aono comenzó a observar un comportamiento inusual. Cuanto más a menudo se usaba el interruptor, más fácil era encenderlo. Si no se usó durante algún tiempo, se apagó gradualmente por sí solo. Esencialmente, el interruptor recordó su historia. Aono y sus colegas también descubrieron que los interruptores parecían interactuar entre sí, de modo que encender un interruptor a veces bloquea o apaga otros cercanos.
La mayoría del grupo de Aono quería construir estas extrañas propiedades fuera de los interruptores. Pero Gimrzewski y Stig (que acababa de completar su doctorado en el grupo de Gimrzewski) recordaron sinapsis, cambios entre las células nerviosas del cerebro humano, que también cambian las relaciones con la experiencia y la interacción. Y así nació la idea. “Pensamos, ¿por qué no intentar traducir todo esto en una estructura que se parezca a la corteza cerebral de un mamífero y estudiarla?”, Dice Stig.
Construir una estructura tan compleja fue definitivamente difícil, pero Stig y Odrius Avicenis, que acababan de unirse al grupo como estudiante de posgrado, desarrollaron un protocolo para esto. Al verter nitrato de plata en diminutas esferas de cobre, podrían hacer que crezcan alambres de plata microscópicamente delgados que se cruzan. Luego podrían bombear gas de azufre a través de esta rejilla para crear una capa de sulfuro plateado entre los cables de plata, como en el interruptor atómico del equipo original de Aono.
Criticidad autoorganizada
Cuando Gimzewski y Stig les contaron a otros sobre su proyecto, nadie creyó que funcionaría. Algunos dijeron que el dispositivo mostraría un tipo de actividad estática y se asentaría en él, recordó Stig. Otros sugirieron lo contrario: "Dijeron que el interruptor se produciría en cascada y que toda la estructura simplemente se quemaría", dice Gimzewski.
Pero el dispositivo no se derritió. Por el contrario, cuando Gimzewski y Stig lo observaron a través de una cámara de infrarrojos, la corriente de entrada continuó alterando los caminos que tomó a través del dispositivo, lo que demuestra que la actividad en la red no estaba localizada, sino distribuida, como en el cerebro.
Un día de otoño de 2010, mientras Avicenis y su colega Henry Sillin aumentaban el voltaje de entrada al dispositivo, de repente notaron que el voltaje de salida comenzaba a oscilar aleatoriamente, como si la malla de alambre hubiera cobrado vida. “Nos sentamos y lo miramos, quedamos impactados”, dice Sillin.
norte
Supusieron que habían encontrado algo interesante. Cuando Avicenis analizó los datos de seguimiento durante varios días, descubrió que la red se mantenía al mismo nivel de actividad durante períodos cortos con más frecuencia que durante períodos prolongados. Más tarde descubrieron que las áreas pequeñas de actividad eran más comunes que las grandes.
"Me quedé boquiabierto", dice Avicenis, porque es la primera vez que aprenden una ley de potencia con su dispositivo. Las leyes de potencia describen relaciones matemáticas en las que una variable cambia como el poder de otra. Se aplican a sistemas en los que escalas más grandes, los eventos más largos son menos comunes que los más pequeños y más cortos, pero están generalizados y no por accidente. Per Bac, un físico danés que murió en 2002, propuso por primera vez las leyes de potencia como el sello distintivo de todo tipo de sistemas dinámicos complejos que pueden organizarse en grandes escalas y largas distancias. Este comportamiento, dijo, indica que un sistema complejo se está equilibrando y funcionando en el punto medio entre el orden y el caos, en un estado de "criticidad", y todas sus partes interactúan e interconectan para una máxima eficiencia.
Como predijo Buck, se observó un comportamiento de ley de potencia en el cerebro humano: en 2003, Dietmar Plenz, un neurofisiólogo de los Institutos Nacionales de Salud, observó que grupos de células nerviosas activaban otras, que a su vez activaban otras, a menudo desencadenando cascadas sistémicas de activaciones. Plenz descubrió que el tamaño de estas cascadas seguía una distribución de la ley de potencia, y el cerebro efectivamente actuó para maximizar la propagación de la actividad sin correr el riesgo de perder el control de su propagación.
El hecho de que el dispositivo de la Universidad de California también haya demostrado la ley de potencia en acción es muy importante, dice Plentz. Porque se deduce que, como en el cerebro, tiene un delicado equilibrio entre activación e inhibición, lo que mantiene funcionando la suma de sus partes. La actividad no suprime el conjunto, pero tampoco se detiene.
Gimrzewski y Stig encontraron más tarde otra similitud entre la red plateada y el cerebro: así como el cerebro humano dormido exhibe menos cascadas cortas de activación que el cerebro despierto, el estado de activación corta en la red plateada se vuelve menos común con energías de entrada más bajas. De alguna manera, reducir el consumo de energía de un dispositivo puede crear un estado que se asemeja al estado inactivo del cerebro humano.
Aprendizaje e informática
Y aquí está la pregunta: si una red de cables de plata tiene propiedades similares al cerebro, ¿puede resolver problemas computacionales? Los experimentos preliminares han demostrado que la respuesta es sí, aunque el dispositivo, por supuesto, no es ni remotamente comparable a una computadora normal.
Primero, no hay software. En cambio, los investigadores aprovechan el hecho de que la red puede distorsionar la señal entrante de diferentes formas, dependiendo de dónde se mida la salida. Esto ofrece un posible uso para el reconocimiento de voz o imágenes, ya que el dispositivo debe poder limpiar una señal de entrada ruidosa.
También se deduce de esto que el dispositivo se puede utilizar para los denominados cálculos de yacimientos. Dado que una sola entrada puede, en principio, generar muchos millones de salidas diferentes (de ahí el depósito), los usuarios pueden seleccionar o combinar salidas de modo que el resultado sea el cálculo de entrada deseado. Por ejemplo, si estimula un dispositivo en dos ubicaciones diferentes al mismo tiempo, existe la posibilidad de que uno de los millones de salidas diferentes represente la suma de las dos entradas.
El desafío es encontrar las conclusiones correctas y decodificarlas, y descubrir la mejor manera de codificar la información para que la red pueda entenderla. Esto se puede hacer entrenando el dispositivo: ejecutando la tarea cientos o miles de veces, primero con un tipo de entrada, luego con otra, y comparando qué salida se adapta mejor a la tarea. “No programamos el dispositivo, pero elegimos la mejor forma de codificar la información para que el comportamiento de la red sea útil e interesante”, dice Gimrzewski.
En un trabajo que se publicará próximamente, los científicos explicarán cómo entrenaron una red de cables para realizar operaciones lógicas simples. Y en experimentos no publicados, entrenaron a la red para resolver un simple problema de memoria que generalmente se les da a las ratas (el laberinto en T). En la prueba del laberinto en T, la rata es recompensada si da un giro correcto en respuesta a la luz. Con su propia versión para entrenamiento, la red puede tomar la decisión correcta el 94% del tiempo.
Hasta ahora, estos resultados han sido poco más que una prueba de principio, dice Nugent. “La pequeña rata que toma una decisión en el laberinto en T nunca se acerca a algo en el aprendizaje automático que pueda evaluar sus sistemas”, en una computadora tradicional, dice. Duda que el dispositivo pueda convertirse en un chip útil en los próximos años.
Pero el potencial es enorme, enfatiza. Porque la red, como el cerebro, no separa el procesamiento y la memoria. Las computadoras tradicionales necesitan transferir información entre diferentes dominios que manejan estas dos funciones. “Toda esta comunicación adicional se acumula porque los cables necesitan energía”, dice Nugent. Tomando computadoras tradicionales, tendría que apagar Francia para simular un cerebro humano completo con una resolución decente. Si dispositivos como Silver Network pueden resolver problemas con la eficiencia de los algoritmos de aprendizaje automático que se ejecutan en computadoras tradicionales, pueden usar mil millones de veces menos energía. Y luego el asunto es pequeño.
Los hallazgos de los científicos también apoyan la idea de que, en las circunstancias adecuadas, los sistemas inteligentes pueden formarse mediante la autoorganización sin ningún modelo o proceso para su desarrollo. Silver Network "surgió espontáneamente", dice Todd Hilton, un ex gerente de DARPA que apoyó el proyecto desde el principio.
Gimrzewski cree que una red de cables plateados o dispositivos similares puede ser mejor que las computadoras tradicionales para predecir procesos complejos. Las computadoras tradicionales modelan el mundo con ecuaciones que a menudo describen fenómenos complejos solo aproximadamente. Las redes neuromórficas de conmutación atómica alinean su propia complejidad estructural intrínseca con el fenómeno que están simulando. Y también lo hacen rápidamente: el estado de la red puede fluctuar a velocidades de hasta decenas de miles de cambios por segundo. "Utilizamos un sistema complejo para comprender fenómenos complejos", dice Gimrzewski.
A principios de este año, en una reunión de la American Chemical Society en San Francisco, Gimzewski, Stig y sus colegas presentaron los resultados de un experimento en el que alimentaron al dispositivo los primeros tres años de un conjunto de datos de tráfico de Los Ángeles de seis años en una serie de pulsos que indicaban el número de pasando coches por hora. Después de cientos de horas de entrenamiento, el resultado finalmente predijo la tendencia estadística de la segunda mitad del conjunto de datos, y bastante bien, aunque no se mostró en el dispositivo.
Quizás algún día, bromea Gimrzewski, use la red para predecir el mercado de valores.
Ilya Khel
