2022-08-05
Un equipo multidisciplinar de investigadores del Instituto Tecnológico de Massachusetts (MIT) se ha propuesto superar los límites de velocidad de un tipo de sinapsis analógica fabricada por el ser humano –el bloque de construcción clave en el «aprendizaje profundo analógico»– y afirma ahora haber creado con éxito sinapsis analógicas que son un millón de veces más rápidas que las de nuestro cerebro humano, según un comunicado de prensa de la institución.A medida que los científicos amplían los límites del aprendizaje automático, se dispara la cantidad de tiempo, energía y dinero necesarios para entrenar modelos de redes neuronales cada vez más complejos. Ahí es donde entra el «aprendizaje profundo analógico», una nueva área de la inteligencia artificial, que promete una computación más rápida con una fracción del uso de energía.Aplicaciones de aprendizaje profundoAl igual que los procesadores digitales necesitan transistores, los analógicos necesitan resistencias programables. Una vez puestas en la configuración adecuada, estas resistencias pueden utilizarse para crear una red de sinapsis y neuronas analógicas, según el comunicado de prensa.Ahora, el material recién desarrollado es compatible con las técnicas de fabricación de silicio y podría allanar el camino para su integración en el hardware informático comercial para aplicaciones de aprendizaje profundo.»Con esta idea clave y las potentes técnicas de nanofabricación que tenemos en el MIT.nano, hemos podido unir estas piezas y demostrar que estos dispositivos son intrínsecamente muy rápidos y funcionan con voltajes razonables», afirma el autor principal, Jesús A. del Álamo, profesor Donner del Departamento de Ingeniería Eléctrica e Informática (EECS) del MIT.»Este trabajo ha puesto realmente estos dispositivos en un punto en el que ahora parecen realmente prometedores para futuras aplicaciones», agregó.Más rápidas que las sinapsis del cerebro humanoAl prescindir de los medios orgánicos normalmente utilizados y optar por un vidrio de alta tecnología, conocido como vidrio inorgánico de fosfosilicato (PSG), los investigadores pudieron alcanzar velocidades de nanosegundos, un millón de veces más rápido que las versiones anteriores, que, a su vez, son aproximadamente un millón de veces más rápido que las sinapsis del cerebro humano, según afirman los científicos en el comunicado.»El potencial de acción en las células biológicas sube y baja con una escala de tiempo de milisegundos, ya que la diferencia de voltaje de aproximadamente 0,1 voltios está limitada por la estabilidad del agua», dijo, por su parte, el coautor del estudio y profesor de ciencias nucleares Ju Li, en el comunicado.»Aquí aplicamos hasta diez voltios a través de una película especial de vidrio sólido de espesor nanométrico que conduce protones, sin dañarla permanentemente. Y cuanto más fuerte sea el campo, más rápidos serán los dispositivos iónicos», añadió.Analógico, más rápido que su homologo digitalEl aprendizaje profundo analógico es más rápido y más eficiente energéticamente que su homólogo digital por dos razones principales. Según explica el comunicado, «en primer lugar, el cálculo se realiza en la memoria, por lo que no se transfieren enormes cargas de datos de ida y vuelta desde la memoria a un procesador».Además, los procesadores analógicos realizan operaciones en paralelo. Si el tamaño de la matriz se amplía, un procesador analógico no necesita más tiempo para completar nuevas operaciones porque todo el cálculo se realiza simultáneamente.El elemento clave de la nueva tecnología de procesadores analógicos del MIT, prosigue el comunicado, se conoce como resistencia programable protónica. Estas resistencias, que se miden en nanómetros (un nanómetro es la milmillonésima parte de un metro), están dispuestas en una matriz, como un tablero de ajedrez.Inspirado en el cerebro humanoEn el cerebro humano, el aprendizaje se produce gracias al fortalecimiento y debilitamiento de las conexiones entre neuronas, llamadas sinapsis. Las redes neuronales profundas llevan tiempo adoptando esta estrategia, en la que los pesos de la red se programan mediante algoritmos de entrenamiento.En el caso de este nuevo procesador, el aumento y la disminución de la conductancia eléctrica de las resistencias protónicas permite el aprendizaje analógico de la máquina.Resultados prometedoresAsí, el resultado de estas nuevas sinapsis analógicas son unas resistencias programables que aumentan considerablemente la velocidad de entrenamiento de una red neuronal, al tiempo que reducen drásticamente el coste y la energía necesarios para llevar a cabo ese proceso.»Una vez que tengas un procesador analógico, ya no estarás entrenando redes en las que todo el mundo está trabajando. Estarás entrenando redes con complejidades sin precedentes que nadie más puede permitirse y, por tanto, superando ampliamente a todos ellos. En otras palabras, no se trata de un coche más rápido, sino de una nave espacial», añadió el coautor Murat Onen.Las aplicaciones de los nuevos dispositivos son muchas, como los coches autoconducidos, la detección de fraudes y el análisis de imágenes médicas.
Un equipo multidisciplinar de investigadores del Instituto Tecnológico de Massachusetts (MIT) se ha propuesto superar los límites de velocidad de un tipo de sinapsis analógica fabricada por el ser humano –el bloque de construcción clave en el «aprendizaje profundo analógico»– y afirma ahora haber creado con éxito sinapsis analógicas que son un millón de veces más rápidas que las de nuestro cerebro humano, según un comunicado de prensa de la institución.
A medida que los científicos amplían los límites del aprendizaje automático, se dispara la cantidad de tiempo, energía y dinero necesarios para entrenar modelos de redes neuronales cada vez más complejos. Ahí es donde entra el «aprendizaje profundo analógico», una nueva área de la inteligencia artificial, que promete una computación más rápida con una fracción del uso de energía.
Aplicaciones de aprendizaje profundo
Al igual que los procesadores digitales necesitan transistores, los analógicos necesitan resistencias programables. Una vez puestas en la configuración adecuada, estas resistencias pueden utilizarse para crear una red de sinapsis y neuronas analógicas, según el comunicado de prensa.
Ahora, el material recién desarrollado es compatible con las técnicas de fabricación de silicio y podría allanar el camino para su integración en el hardware informático comercial para aplicaciones de aprendizaje profundo.
«Con esta idea clave y las potentes técnicas de nanofabricación que tenemos en el MIT.nano, hemos podido unir estas piezas y demostrar que estos dispositivos son intrínsecamente muy rápidos y funcionan con voltajes razonables», afirma el autor principal, Jesús A. del Álamo, profesor Donner del Departamento de Ingeniería Eléctrica e Informática (EECS) del MIT.
«Este trabajo ha puesto realmente estos dispositivos en un punto en el que ahora parecen realmente prometedores para futuras aplicaciones», agregó.
Más rápidas que las sinapsis del cerebro humano
Al prescindir de los medios orgánicos normalmente utilizados y optar por un vidrio de alta tecnología, conocido como vidrio inorgánico de fosfosilicato (PSG), los investigadores pudieron alcanzar velocidades de nanosegundos, un millón de veces más rápido que las versiones anteriores, que, a su vez, son aproximadamente un millón de veces más rápido que las sinapsis del cerebro humano, según afirman los científicos en el comunicado.
«El potencial de acción en las células biológicas sube y baja con una escala de tiempo de milisegundos, ya que la diferencia de voltaje de aproximadamente 0,1 voltios está limitada por la estabilidad del agua», dijo, por su parte, el coautor del estudio y profesor de ciencias nucleares Ju Li, en el comunicado.
«Aquí aplicamos hasta diez voltios a través de una película especial de vidrio sólido de espesor nanométrico que conduce protones, sin dañarla permanentemente. Y cuanto más fuerte sea el campo, más rápidos serán los dispositivos iónicos», añadió.
Analógico, más rápido que su homologo digital
El aprendizaje profundo analógico es más rápido y más eficiente energéticamente que su homólogo digital por dos razones principales. Según explica el comunicado, «en primer lugar, el cálculo se realiza en la memoria, por lo que no se transfieren enormes cargas de datos de ida y vuelta desde la memoria a un procesador».
Además, los procesadores analógicos realizan operaciones en paralelo. Si el tamaño de la matriz se amplía, un procesador analógico no necesita más tiempo para completar nuevas operaciones porque todo el cálculo se realiza simultáneamente.
El elemento clave de la nueva tecnología de procesadores analógicos del MIT, prosigue el comunicado, se conoce como resistencia programable protónica. Estas resistencias, que se miden en nanómetros (un nanómetro es la milmillonésima parte de un metro), están dispuestas en una matriz, como un tablero de ajedrez.
Inspirado en el cerebro humano
En el cerebro humano, el aprendizaje se produce gracias al fortalecimiento y debilitamiento de las conexiones entre neuronas, llamadas sinapsis. Las redes neuronales profundas llevan tiempo adoptando esta estrategia, en la que los pesos de la red se programan mediante algoritmos de entrenamiento.
En el caso de este nuevo procesador, el aumento y la disminución de la conductancia eléctrica de las resistencias protónicas permite el aprendizaje analógico de la máquina.
Resultados prometedores
Así, el resultado de estas nuevas sinapsis analógicas son unas resistencias programables que aumentan considerablemente la velocidad de entrenamiento de una red neuronal, al tiempo que reducen drásticamente el coste y la energía necesarios para llevar a cabo ese proceso.
«Una vez que tengas un procesador analógico, ya no estarás entrenando redes en las que todo el mundo está trabajando. Estarás entrenando redes con complejidades sin precedentes que nadie más puede permitirse y, por tanto, superando ampliamente a todos ellos. En otras palabras, no se trata de un coche más rápido, sino de una nave espacial», añadió el coautor Murat Onen.
Las aplicaciones de los nuevos dispositivos son muchas, como los coches autoconducidos, la detección de fraudes y el análisis de imágenes médicas.
