Las neuronas artificiales imitan las habilidades cerebrales complejas para la computación de IA de próxima generación

Los investigadores han creado neuronas artificiales atómicamente delgadas capaces de procesar señales luminosas y eléctricas para computación. El material permite la existencia simultánea de rutas separadas de retroalimentación y retroalimentación dentro de una red neuronal, lo que aumenta la capacidad de resolver problemas complejos.

Durante décadas, los científicos han estado investigando cómo recrear las capacidades computacionales versátiles de las neuronas biológicas para desarrollar sistemas de aprendizaje automático más rápidos y con mayor eficiencia energética. Un enfoque prometedor implica el uso de memristores: componentes electrónicos capaces de almacenar un valor modificando su conductancia y luego utilizando ese valor para el procesamiento en memoria.

Sin embargo, un desafío clave para replicar los procesos complejos de las neuronas biológicas y los cerebros utilizando memristores ha sido la dificultad de integrar las señales neuronales tanto de retroalimentación como de retroalimentación. Estos mecanismos sustentan nuestra capacidad cognitiva para aprender tareas complejas, utilizando recompensas y errores.

Un equipo de investigadores de la Universidad de Oxford, IBM Research Europe y la Universidad de Texas ha anunciado una hazaña importante: el desarrollo de neuronas artificiales atómicamente delgadas creadas mediante el apilamiento de materiales bidimensionales (2D). Los resultados han sido publicados en Naturaleza Nanotecnología.

En el estudio, los investigadores ampliaron la funcionalidad de los memristores electrónicos haciéndolos sensibles tanto a señales ópticas como eléctricas. Esto permitió la existencia simultánea de caminos de retroalimentación y alimentación separados dentro de la red. El avance permitió al equipo crear redes neuronales en las que el ganador se lo lleva todo: programas de aprendizaje computacional con el potencial de resolver problemas complejos en el aprendizaje automático, como el aprendizaje no supervisado en problemas de optimización combinatoria y agrupación.

Los materiales 2D se componen de solo unas pocas capas de átomos, y esta escala fina les otorga varias propiedades exóticas, que se pueden ajustar dependiendo de cómo se superpongan los materiales. En este estudio, los investigadores utilizaron una pila de tres materiales 2D (grafeno, disulfuro de molibdeno y disulfuro de tungsteno) para crear un dispositivo que muestra un cambio en su conductancia según la potencia y la duración de la luz/electricidad que se proyecta sobre él.

A diferencia de los dispositivos de almacenamiento digital, estos dispositivos son analógicos y funcionan de manera similar a las sinapsis y las neuronas de nuestro cerebro biológico. La función analógica permite realizar cálculos, en los que una secuencia de señales eléctricas u ópticas enviadas al dispositivo produce cambios graduales en la cantidad de carga electrónica almacenada. Este proceso forma la base de los modos de umbral para los cálculos neuronales, de forma análoga a la forma en que nuestro cerebro procesa una combinación de señales excitatorias e inhibidoras.

El autor principal, el Dr. Ghazi Sarwat Syed, miembro del personal de investigación de IBM Research Europe Suiza, dijo: «Este es un desarrollo muy emocionante. Nuestro estudio ha introducido un concepto novedoso que supera la operación de avance fijo que se utiliza típicamente en las redes neuronales artificiales actuales. Además las aplicaciones potenciales en el hardware de IA, estos resultados actuales de prueba de principio demuestran un importante avance científico en los campos más amplios de la ingeniería neuromórfica y los algoritmos, lo que nos permite emular y comprender mejor el cerebro».

El Dr. Syed y el Dr. Yingqiu Zhou (que eran estudiantes de doctorado en Filosofía y colegas de laboratorio en Oxford) realizaron el trabajo experimental. Según el Dr. Zhou, ahora investigador postdoctoral en la Universidad Técnica de Dinamarca, su implementación captura los componentes esenciales de una neurona biológica a través de la física optoelectrónica de sistemas de baja dimensión.

Señalan que hemos creado uniones de semiconductores atómicamente abruptas a través del diseño de nuestra pila de heteroestructura. La pila entrega específicamente una heterounión que actúa como membrana neuronal, mientras que los electrodos de grafeno que contactan con la heterounión sirven como soma neuronal. De esta forma el estado neuronal se representa en el soma, pero modificado por los cambios en la membrana, al igual que en las neuronas reales.

A medida que el avance de las aplicaciones de inteligencia artificial ha crecido exponencialmente, la potencia computacional requerida ha superado el desarrollo de nuevo hardware basado en procesadores tradicionales. Existe una necesidad urgente de investigar nuevas técnicas, incluido el trabajo del coautor principal, el profesor Harish Bhaskaran, en el Laboratorio de Ingeniería Avanzada a Nanoescala de la Universidad de Oxford y en el laboratorio IBM Research Zurich.

El profesor Bhaskaran dijo: «Todo este campo es súper emocionante, ya que las innovaciones de materiales, las innovaciones de dispositivos y las ideas novedosas sobre cómo se pueden aplicar creativamente deben unirse. Este trabajo representa un nuevo conjunto de herramientas, que explora el poder de los materiales 2D, no en transistores, sino en nuevos paradigmas informáticos».

El coautor, el profesor Jamie Warner, de la Universidad de Texas en Austin, dijo: «Durante años se ha hablado del uso de tales estructuras 2D en la informática, pero solo ahora finalmente vemos la recompensa después de pasar más de siete años en desarrollo. Al ensamblar monocapas 2D a escala de obleas en dispositivos optoelectrónicos ultrafinos complejos, esto permitirá el inicio de nuevos enfoques de procesamiento de información utilizando materiales 2D basados ​​en métodos de fabricación industrialmente escalables».

«Nuestros hallazgos son más de naturaleza exploratoria que demostraciones reales a nivel del sistema», dice el Dr. Syed. «Aunque nuestro objetivo es ampliar este concepto en el futuro, estamos convencidos de que nuestros resultados actuales de prueba de principio demuestran un importante interés científico en los campos más amplios de la ingeniería neuromórfica, lo que nos permite emular y comprender mejor el cerebro».

El profesor Bhaskaran señala que los desarrollos de investigación emocionantes son importantes para la innovación futura, pero esta no es la tecnología que uno debería esperar en sus teléfonos móviles en los próximos dos años.