Ampliar la computación neuromórfica para una IA más eficiente y efectiva en todas partes y en cualquier momento

La computación neuromórfica, un campo que aplica principios de neurociencia a los sistemas de computación para imitar la función y la estructura del cerebro, se necesita para escalar si se trata de competir de manera efectiva con los métodos de computación actuales.

En revisar Publicado el 22 de enero en la revista Naturaleza23 investigadores, incluidos dos de la Universidad de California en San Diego, presentan una hoja de ruta detallada de lo que debe suceder para alcanzar ese objetivo. El artículo ofrece una perspectiva nueva y práctica para abordar la capacidad cognitiva del cerebro humano con factor de forma y consumo de energía comparable.

«No anticipamos que habrá una solución única para sistemas neuromórficos a escala, sino más bien una gama de soluciones de hardware neuromórficos con diferentes características basadas en las necesidades de la aplicación», escriben los autores.

Las aplicaciones para la computación neuromórfica incluyen informática científica, inteligencia artificial, realidad aumentada y virtual, wearables, agricultura inteligente, ciudades inteligentes y más.

Los chips neuromórficos tienen el potencial de superar a las computadoras tradicionales en la eficiencia de energía y espacio, así como el rendimiento. Esto podría presentar ventajas sustanciales en varios dominios, incluida la IA, la atención médica y la robótica. Como el consumo de electricidad de IA es proyectado para duplicar para 2026la computación neuromórfica surge como una solución prometedora.

«La computación neuromórfica es particularmente relevante hoy en día, cuando somos testigos de la escala insostenible de los sistemas de IA hambrientos de poder y recursos», dijo Gert Cauwenberghs, un distinguido profesor en el Departamento de Bioengineing de UC San Diego Shu Chien-Gene. Coautores de Paper.

La computación neuromórfica se encuentra en un momento fundamental, dijo Dhireesha Kudithipudi, la silla dotada de Robert F. McDermott en la Universidad de Texas San Antonio y el autor correspondiente del periódico.

«Ahora estamos en un punto en el que hay una gran oportunidad para construir nuevas arquitecturas y marcos abiertos que se puedan implementar en aplicaciones comerciales», dijo. «Creo firmemente que fomentar la estrecha colaboración entre la industria y la academia es la clave para dar forma al futuro de este campo. Esta colaboración se refleja en nuestro equipo de coautores».

En 2022, un chip neuromórfico diseñado por un equipo dirigido por Cauwenberghs mostró que estos chips podrían ser altamente dinámicos y versátiles, sin comprometer la precisión y la eficiencia.

El Chip de neurram Ejecuta cálculos directamente en la memoria y puede ejecutar una amplia variedad de aplicaciones de IA, todo a una fracción de la energía consumida por las plataformas de computación para la informática de IA de uso general.

«Nuestro Naturaleza El artículo de Review ofrece una perspectiva sobre las extensiones adicionales de los sistemas de IA neuromórficos en las tecnologías de silicio y de chips emergentes para abordar tanto la escala masiva como la eficiencia extrema de la capacidad de autoaprendizaje en el cerebro de los mamíferos «, dijo Cauwenberghs.

Para lograr la escala en la computación neuromórfica, los autores proponen varias características clave que deben optimizarse, incluida la escasez, una característica definitoria del cerebro humano. El cerebro se desarrolla formando numerosas conexiones neuronales (densificación) antes de podar selectivamente a la mayoría de ellas.

Esta estrategia optimiza la eficiencia espacial al tiempo que retiene la información a alta fidelidad. Si se emulan con éxito, esta característica podría permitir sistemas neuromórficos que son significativamente más eficientes en energía y compactos.

«La escalabilidad expandible y la eficiencia superior se derivan del paralelismo masivo y la estructura jerárquica en la representación neuronal, combinando una densa conectividad sináptica local sináptica dentro de los núcleos neurosinápticos modelados después de la materia gris del cerebro con una conectividad global escasa en la comunicación neuronal a través de los núcleos que modelan la materia blanca del cerebro, facilitados a través de alto -Conexiones reconfigurables de Wandwidth en chip y interconexiones estructuradas jerárquicamente en chips «, dijo Cauwenberghs.

«Esta publicación muestra un enorme potencial hacia el uso de la computación neuromórfica a escala para aplicaciones de la vida real. En el Centro de Supercomputador de San Diego, traemos nuevas arquitecturas informáticas a la comunidad de usuarios nacionales, y este trabajo colaborativo pavimenta la vía para traer un recurso neuromórfico Para la comunidad de usuarios nacionales «, dijo Amitava Majumdar, directora de la división de informática científica habilitada para datos en SDSC aquí en el campus de UC San Diego, y uno de los coautores del artículo.

Además, los autores también requieren colaboraciones más fuertes dentro de la academia, y entre la academia e industria, así como para el desarrollo de una gama más amplia de lenguajes de programación fáciles de usar para reducir la barrera de entrada al campo. Creen que esto fomentaría una mayor colaboración, particularmente entre disciplinas e industrias.