Red de Nanohilos Artificiales Actúa como el Cerebro cuando se Estimula Eléctricamente

Los científicos de la Universidad de Sydney y el Instituto Nacional de Ciencia de Materiales de Japón (NIMS) han descubierto cómo hacer que una red artificial de nanohilos actúe de manera similar al cerebro cuando se estimula eléctricamente.

El estudio se publicó en Nature Communications.

El equipo internacional estuvo liderado por Joel Hochstetter, quien fue acompañado por la profesora Zdenka Kuncic y el profesor Tomonobu Nakayama.

El equipo descubrió que pueden mantener una red de nanohilos 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 neural es física y podría llevar a nuevos desarrollos en la inteligencia artificial.

Joel Hochstetter es un candidato a doctorado en el Instituto de Nano de la Universidad de Sydney y la Escuela de Física, y es el autor principal del artículo.

“Utilizamos cables de 10 micrómetros de largo y no más gruesos que 500 nanómetros, dispuestos aleatoriamente en un plano bidimensional”, dijo Hochstetter.

“Donde los cables se superponen, forman una unión electroquímica, como las sinapsis entre neuronas”, dijo. “Encontramos que las señales eléctricas que se pasan a través de esta red automáticamente encuentran la mejor ruta para transmitir información. Y esta arquitectura permite que la red ‘recuerde’ rutas previas a través del sistema”.

Pruebas de la Red de Nanohilos

El equipo de investigación utilizó simulaciones para probar la red de nanohilos aleatorios con el fin de aprender cómo podría funcionar mejor y resolver tareas simples.

Siempre que la señal que estimula la red es demasiado baja, la ruta no produce salidas lo suficientemente complejas porque son demasiado predecibles. Por otro lado, si la red está abrumada por la señal, la salida es demasiado caótica.

Esto significaba que la señal óptima estaba al borde de este estado caótico, según el equipo.

La profesora Kuncic es de la Universidad de Sydney.

“Algunas teorías en neurociencia sugieren que la mente humana podría funcionar en este borde del caos, o lo que se llama el estado crítico”, dijo la profesora Kuncic. “Algunos neurocientíficos creen que es en este estado donde logramos el rendimiento máximo del cerebro”.

“Lo que es tan emocionante sobre este resultado es que sugiere que estos tipos de redes de nanohilos pueden sintonizarse en regímenes con dinámicas colectivas similares al cerebro, que pueden aprovecharse para optimizar el procesamiento de información”, continuó.

La red de nanohilos puede incorporar memoria y operaciones en un solo sistema debido a las uniones entre los cables. Esto es diferente a los computadores estándar, que confían en la memoria y las operaciones separadas.

“Estas uniones actúan como transistores de computadora, pero con la propiedad adicional de recordar que las señales han viajado por esa ruta antes. Como tal, se les llama ‘memristores'”, dijo Hochstetter.

La memoria es física, con las uniones en los puntos de cruce entre nanohilos que actúan como interruptores. Su comportamiento depende de la respuesta histórica a las señales eléctricas, y cuando se aplican señales a través de las uniones, se activan a medida que fluye la corriente a través de ellas.

“Esto crea una red de memoria dentro del sistema aleatorio de nanohilos”, dijo.

El equipo desarrolló una simulación de la red física para demostrar su capacidad para resolver tareas muy simples.

“Para este estudio, entrenamos a la red para transformar una onda simple en tipos de ondas más complejas”, dijo Hochstetter.

El equipo ajustó la amplitud y la frecuencia de la señal eléctrica para ver dónde se producía el mejor rendimiento.

“Encontramos que si se empuja la señal demasiado lentamente, la red solo hace lo mismo una y otra vez sin aprender y desarrollarse. Si la empujamos demasiado rápido y con fuerza, la red se vuelve errática e impredecible”, dijo.

Ventajas en el Mundo Real

Según la profesora Kuncic, unir la memoria y las operaciones tiene beneficios importantes para la inteligencia artificial.

“Los algoritmos necesarios para entrenar a la red para que sepa qué unión debe recibir la carga o peso de información adecuados consumen mucha energía”, dijo.

“Los sistemas que estamos desarrollando eliminan la necesidad de dichos algoritmos. Simplemente permitimos que la red desarrolle su propio peso, lo que significa que solo debemos preocuparnos por la señal de entrada y la señal de salida, un marco conocido como ‘computación de reservorio’. Los pesos de la red son autoadaptativos, lo que podría liberar grandes cantidades de energía”.

Kuncic dice que esto significa que los futuros sistemas de inteligencia artificial que confían en estas redes tendrán un impacto energético mucho menor.