Nuevo Dispositivo de Neurona Artificial Podría Reducir Enormemente los Requisitos de Energía para Cálculos Neuronales

Los investigadores de la Universidad de San Diego han desarrollado un nuevo dispositivo de neurona artificial que puede ejecutar cálculos neuronales con 100 a 1000 veces menos energía y área que el hardware basado en CMOS actual.

El informe reciente se publicó en un artículo el 18 de marzo en Nature Nanotechnology.

Para generar la entrada para una de las capas conectadas de neuronas artificiales en las redes neuronales, es necesario aplicar un cálculo matemático llamado función de activación no lineal. Sin embargo, esta aplicación requiere mucha potencia de computación y circuitos debido a la necesidad de transferir datos entre la memoria y el procesador externo.

Los investigadores de la UC San Diego desarrollaron un nuevo dispositivo de tamaño nanométrico que puede realizar esta función de activación de manera mucho más eficiente.

Duygu Kuzum es profesora de ingeniería eléctrica y computacional en la Escuela de Ingeniería Jacobs de la UC San Diego.

“El cálculo de la red neuronal en hardware se vuelve cada vez más ineficiente a medida que los modelos de la red neuronal se vuelven más grandes y complejos”, dijo Kuzum. “Desarrollamos un dispositivo de neurona artificial de nanoscala que implementa estos cálculos en hardware de manera muy eficiente en términos de área y energía”.

El estudio fue dirigido por Kuzum y el estudiante de doctorado Shangheon Oh, y colaboraron con el profesor de física de la UC San Diego Ivan Schuller, quien lidera un Centro de Investigación de Energía de la DOE. El centro se ocupa de desarrollar implementaciones de hardware de redes neuronales artificiales eficientes en términos de energía.

El Nuevo Dispositivo

El dispositivo recién desarrollado se basa en una unidad lineal rectificada, que es una de las funciones de activación más comunes utilizadas en el entrenamiento de las redes neuronales. Requiere hardware que pueda sufrir cambios graduales en la resistencia, lo que es lo que los ingenieros se esforzaron por lograr. El dispositivo puede cambiar gradualmente de un estado aislante a uno conductor con una pequeña cantidad de calor.

Denominado transición de Mott, este cambio ocurre en una capa extremadamente delgada de dióxido de vanadio, y por encima de esta capa hay un calentador de nanohilo hecho de titanio y oro. La capa de dióxido de vanadio se calienta lentamente cuando fluye corriente a través del nanohilo, y esto provoca un cambio lento y controlado de aislante a conductor.

Oh es el primer autor del estudio.

“Esta arquitectura de dispositivo es muy interesante e innovadora”, dijo Oh. “En este caso, hacemos fluir corriente a través de un nanohilo en la parte superior del material para calentarlo e inducir un cambio de resistencia muy gradual”.

Implementación del Dispositivo

Para la implementación, el equipo fabricó una matriz de dispositivos de activación y una matriz de dispositivos sinápticos, seguida de la integración de los dos en una tarjeta de circuito impreso personalizada. Luego se conectaron entre sí, lo que resultó en una versión de hardware de una red neuronal.

La red se utilizó para procesar una imagen a través de la detección de bordes, identificando los contornos y bordes de los objetos en la imagen. El sistema de hardware integrado demostró su capacidad para realizar operaciones de convolución que son importantes para varios tipos de redes neuronales profundas.

“En este momento, esto es un concepto de prueba”, dijo Kuzum. “Es un sistema pequeño en el que solo apilamos una capa de sinapsis con una capa de activación. Al apilar más de estos, podrías crear un sistema más complejo para diferentes aplicaciones”.