Inteligencia artificial
La red artificial de nanocables actúa como el cerebro cuando se estimula eléctricamente
Científicos de la Universidad de Sydney y el Instituto Nacional de Ciencias de Materiales de Japón (NIMS) han descubierto cómo hacer que una red artificial de nanocables actúe de forma similar al cerebro cuando se estimula eléctricamente.
El estudio fue publicado en Nature Communications.
El equipo internacional estuvo dirigido por Joel Hochstetter, a quien se unieron el profesor Zdenka Kuncic y el profesor Tomonobu Nakayama.
El equipo descubrió que pueden mantener una red de nanocables en un estado similar al del cerebro "al borde del caos" para realizar tareas a un nivel óptimo.
Según los investigadores, esto sugiere que la naturaleza subyacente de la inteligencia neuronal es física y podría conducir a nuevos desarrollos en inteligencia artificial.
Joel Hochstetter es candidato a doctorado en el Nano Institute and School of Physics de la Universidad de Sydney y autor principal del artículo.
“Usamos cables de 10 micrómetros de largo y no más de 500 nanómetros de grosor dispuestos al azar en un plano bidimensional”, dijo Hochstetter.
“Donde los cables se superponen, forman una unión electroquímica, como las sinapsis entre las neuronas”, dijo. “Descubrimos que las señales eléctricas enviadas a través de esta red encuentran automáticamente la mejor ruta para transmitir información. Y esta arquitectura permite a la red 'recordar' caminos anteriores a través del sistema”.
Prueba de la red de nanocables
El equipo de investigación usó simulaciones para probar la red aleatoria de nanocables con el fin de aprender cómo podría realizar mejor y resolver tareas simples.
Siempre que la señal que estimulaba la red era demasiado baja, la vía no producía resultados lo suficientemente complejos porque eran demasiado predecibles. Por otro lado, si la señal saturaba la red, la salida era demasiado caótica.
Esto significaba que la señal óptima estaba al borde de este estado caótico, según el equipo.
El profesor Kuncic es de la Universidad de Sydney.
“Algunas teorías en neurociencia sugieren que la mente humana podría operar en este borde del caos, o lo que se llama el estado crítico”, dijo el profesor Kuncic. “Algunos neurocientíficos piensan que es en este estado donde alcanzamos el máximo rendimiento cerebral”.
“Lo que es tan emocionante de este resultado es que sugiere que estos tipos de redes de nanocables se pueden sintonizar en regímenes con diversas dinámicas colectivas similares a las del cerebro, que se pueden aprovechar para optimizar el procesamiento de la información”, continuó.
La red de nanocables puede incorporar memoria y operaciones en un solo sistema debido a las uniones entre los cables. Esto es diferente de las computadoras estándar, que dependen de memoria y operaciones separadas.
“Estas uniones actúan como transistores de computadora pero con la propiedad adicional de recordar que las señales han viajado por ese camino antes. Como tales, se les llama 'memristores'”, dijo Hochstetter.
La memoria está en forma física con las uniones en los puntos de cruce entre los nanocables que actúan como interruptores. Su comportamiento depende de la respuesta histórica a las señales eléctricas, y cuando las señales se aplican a través de las uniones, se activan a medida que la corriente fluye a través de ellas.
“Esto crea una red de memoria dentro del sistema aleatorio de nanocables”, dijo.
El equipo desarrolló una simulación de la red física para demostrar su capacidad para resolver tareas muy sencillas.
“Para este estudio, entrenamos a la red para transformar una forma de onda simple en formas de onda más complejas”, dijo Hochstetter.
El equipo ajustó la amplitud y la frecuencia de la señal eléctrica para ver dónde se producía el mejor rendimiento.
“Descubrimos que si empuja la señal demasiado lentamente, la red simplemente hace lo mismo una y otra vez sin aprender ni desarrollarse. Si lo presionamos demasiado y rápido, la red se vuelve errática e impredecible”, dijo.
Ventajas del mundo real
Según el profesor Kuncic, unir memoria y operaciones tiene grandes beneficios para la inteligencia artificial.
“Los algoritmos necesarios para entrenar a la red para saber a qué cruce se le debe otorgar la 'carga' o el peso de información apropiado consumen mucha energía”, dijo.
“Los sistemas que estamos desarrollando eliminan la necesidad de tales algoritmos. Simplemente permitimos que la red desarrolle su propia ponderación, lo que significa que solo tenemos que preocuparnos por la señal de entrada y salida, un marco conocido como 'computación de reservorio'. Los pesos de la red son autoadaptativos, lo que potencialmente libera grandes cantidades de energía”.
Kuncic dice que esto significa que los futuros sistemas de inteligencia artificial que dependen de estas redes tendrían una huella de energía mucho menor.
