Proyecto Cerebro Humano, Intel trabajan juntos para avanzar en la tecnología neuromórfica

Un equipo de investigadores del Proyecto Cerebro Humano (HBP) están trabajando con Intel (INTC ) para avanzar en la tecnología neuromórfica y acercar la inteligencia artificial a la eficiencia energética del cerebro humano. La tecnología neuromórfica es más eficiente en términos energéticos para grandes redes de aprendizaje profundo en comparación con otros sistemas de inteligencia artificial.

Los investigadores del HBP y Intel llevaron a cabo una serie de experimentos que demostraron esta eficiencia. Los experimentos involucraron un nuevo chip de Intel que se basa en neuronas similares a las del cerebro humano. Fue la primera vez que se demostraron estos resultados.

La investigación se publicó en Nature Machine Intelligence.

Chips Loihi de Intel

El grupo se centró en algoritmos que funcionan con procesos temporales, y el sistema tuvo que responder preguntas sobre una historia contada anteriormente mientras entendía las relaciones entre objetos o personas del contexto. El hardware consistió en 32 chips Loihi, que son los chips de investigación neuronal de Intel.

Phillip Plank es un estudiante de doctorado en el Instituto de Ciencias de la Computación Teórica de la TU Graz y un empleado de Intel.

“Nuestro sistema es dos o tres veces más económico aquí que otros modelos de inteligencia artificial”, dice Plank.

Plank cree que a medida que se introduce la nueva generación de Loihi, tendrá más ganancias de eficiencia y mejorará la comunicación entre chips, que es intensiva en energía. Las mediciones mostraron que el consumo era 1000 veces más eficiente, ya que no había potenciales de acción requeridos que tuvieran que ser enviados de un lado a otro entre los chips.

El grupo reprodujo un método presunto del cerebro humano.

Wolfgang Maass es el supervisor de doctorado de Philipp Plank y profesor emérito en el Instituto de Ciencias de la Computación Teórica.

“Los estudios experimentales han demostrado que el cerebro humano puede almacenar información durante un período de tiempo corto incluso sin actividad neuronal, es decir, en las llamadas ‘variables internas’ de las neuronas”, dice Maass. “Las simulaciones sugieren que un mecanismo de fatiga de un subconjunto de neuronas es esencial para esta memoria a corto plazo.”

Conectando Redes de Aprendizaje Profundo

Para lograr esto, los investigadores conectan dos tipos de redes de aprendizaje profundo. Las redes neuronales de retroalimentación son responsables de la “memoria a corto plazo”, y los módulos recurrentes filtran la información relevante del señal de entrada y la almacenan. Una red de alimentación directa determina cuáles de las relaciones encontradas son importantes para resolver la tarea actual. Las relaciones que no son relevantes se filtran, y las neuronas solo se activan en los módulos donde se ha encontrado información relevante. Todo este proceso conduce a un ahorro de energía dramático.

Steve Furber es el líder de la división de computación neuromórfica del HBP y profesor de Ingeniería de Computación en la Universidad de Manchester.

“Este avance acerca la promesa de la inteligencia artificial basada en eventos y eficiente en términos energéticos en plataformas neuromórficas un paso importante hacia la realidad. El nuevo mecanismo es adecuado para sistemas de computación neuromórfica como el Intel Loihi y SpiNNaker que pueden admitir modelos de neuronas de varios compartimentos”, dijo Furber.