La electricidad ayuda a encontrar materiales que pueden “aprender”

Un equipo de científicos del Laboratorio Nacional Argonne logró observar un material no vivo que imita el comportamiento asociado con el aprendizaje, lo que, según ellos, puede llevar a mejores sistemas de inteligencia artificial (IA).

El artículo que describe el estudio se publicó en Sistemas Inteligentes Avanzados.

El grupo tiene como objetivo desarrollar la próxima generación de supercomputadoras y se inspira en el cerebro humano.

Materiales no biológicos con comportamientos similares al aprendizaje

Los investigadores que buscan crear computadoras inspiradas en el cerebro a menudo se vuelven hacia materiales no biológicos que sugieren que podrían adoptar comportamientos similares al aprendizaje. Estos materiales podrían usarse para construir hardware que se pueda emparejar con nuevos algoritmos de software, lo que permitiría una IA más eficiente en términos energéticos.

El nuevo estudio fue liderado por científicos de la Universidad de Purdue. Expusieron óxido de níquel deficientemente oxigenado a pulsos eléctricos breves y provocaron dos respuestas eléctricas diferentes similares al aprendizaje. Según el profesor de la Universidad de Rutgers, Shriram Ramanathan, quien era profesor en la Universidad de Purdue en el momento del trabajo, crearon un sistema completamente impulsado por electricidad que demostró comportamientos de aprendizaje.

El equipo de investigación se basó en los recursos de la Advanced Photon Source (APS), una instalación del Departamento de Energía de los Estados Unidos (DOE) en el Laboratorio Nacional Argonne del DOE.

Habitación y sensibilización

La primera respuesta que ocurre es la habitación, que tiene lugar cuando el material se acostumbra a ser ligeramente estimulado. Aunque la resistencia del material aumenta después de un impulso inicial, los investigadores notaron que se acostumbra al estímulo eléctrico.

Fanny Rodolakis es física y científica de haz en la APS.

“La habitación es como lo que sucede cuando vives cerca de un aeropuerto”, dice Rodolakis. “El día que te mudas, piensas ‘qué ruido’, pero eventualmente ya no te das cuenta”.

La segunda respuesta mostrada por el material es la sensibilización, que ocurre cuando se administra una dosis más grande de electricidad.

“Con un estímulo más grande, la respuesta del material crece en lugar de disminuir con el tiempo”, dice Rodolakis. “Es similar a ver una película de terror y luego tener a alguien que te dice ‘¡boo!’ desde detrás de una esquina — ves que realmente salta”.

“Casi todos los organismos vivos demuestran estas dos características”, continúa Ramanathan. “Realmente son un aspecto fundamental de la inteligencia”.

Las dos conductas están controladas por interacciones cuánticas que tienen lugar entre electrones. Estas interacciones no pueden describirse por la física clásica y juegan un papel en la formación de la base para una transición de fase en el material.

“Un ejemplo de transición de fase es un líquido que se convierte en sólido”, dice Rodolakis. “El material que estamos observando está justo en el límite, y las interacciones competitivas que ocurren a nivel electrónico pueden ser fácilmente inclinadas en una u otra dirección por estímulos pequeños”.

Según Ramanathan, es esencial tener un sistema que pueda ser controlado completamente por señales eléctricas.

“Ser capaz de manipular materiales de esta manera permitirá que el hardware asuma parte de la responsabilidad de la inteligencia”, dice. “Usar propiedades cuánticas para introducir inteligencia en el hardware representa un paso clave hacia la computación eficiente en términos energéticos”.

Superar el dilema de estabilidad-plasticidad

Los científicos pueden usar la diferencia entre habitación y sensibilización para superar el dilema de estabilidad-plasticidad, que es un desafío importante en el desarrollo de la IA. Los algoritmos a menudo luchan por adaptarse a nueva información, y cuando lo hacen, a menudo olvidan algunas de sus experiencias previas o lo que han aprendido. Si los científicos crean un material que pueda habituarse, pueden enseñarle a ignorar o olvidar información innecesaria y lograr estabilidad adicional. Por otro lado, la sensibilización podría entrenar al sistema para recordar e incorporar nueva información, lo que permite la plasticidad.

“La IA a menudo tiene dificultades para aprender y almacenar nueva información sin sobrescribir información que ya ha sido almacenada”, dice Rodolakis. “Demasiada estabilidad impide que la IA aprenda, pero demasiada plasticidad puede llevar a un olvido catastrófico”.

Según el equipo, una de las grandes ventajas del nuevo estudio fue el pequeño tamaño del dispositivo de óxido de níquel.

“Este tipo de aprendizaje no se había realizado en la generación actual de electrónica sin un gran número de transistores”, explica Rodolakis. “El sistema de unión única es el sistema más pequeño hasta la fecha que muestra estas propiedades, lo que tiene grandes implicaciones para el posible desarrollo de circuitos neuromórficos”.