Spiking Neural Network (SNN) ofrece un enfoque único para simular las funciones del cerebro, lo que la convierte en un foco clave en la investigación de la computación neuromórfica moderna. A diferencia de las redes neuronales tradicionales, las SNN operan con señales discretas impulsadas por eventos, alineándose más estrechamente con los procesos biológicos.
Se están desarrollando chips informáticos neuromórficos especializados para aprovechar mejor los beneficios de los SNN. Estos chips representan una desviación de la arquitectura informática tradicional y ofrecen una solución prometedora a las limitaciones de almacenamiento y energía en la era posterior a Moore.
Sin embargo, para aprovechar plenamente el potencial de las SNN, los investigadores se enfrentan a varios desafíos. En primer lugar, deben garantizar la flexibilidad de los modelos neuronales para capturar con precisión los diversos comportamientos del cerebro. En segundo lugar, deben abordar la escalabilidad y la densidad de las conexiones sinápticas para soportar grandes redes neuronales de forma eficaz. Finalmente, lograr capacidades de aprendizaje en los chips es esencial para que estos chips se adapten y mejoren como cerebros reales.
Teniendo en cuenta estos desafíos, el equipo del profesor Gang Pan de la Universidad de Zhejiang colaboró con el laboratorio de Zhejiang para desarrollar el chip neuromórfico Darwin 3, la última versión de la serie Darwin. El equipo profundizó en numerosos modelos de neuronas y sinapsis, analizó cómo funcionan e identificó sus aspectos computacionales clave.
Los hallazgos son publicado en el diario Revista Nacional de Ciencias.
Basándose en sus hallazgos, propusieron una nueva arquitectura de conjunto de instrucciones (ISA) específicamente para la computación neuromórfica. Esta ISA permite actualizaciones de estado y carga de parámetros rápidas, lo que permite la construcción eficiente de varios modelos y reglas de aprendizaje.
Además, el equipo de investigación ideó un mecanismo de conexión eficiente, que mejoró significativamente la eficiencia del almacenamiento en el chip y al mismo tiempo admitió más de 2 millones de neuronas y 100 millones de sinapsis en un solo chip. Las redes neuronales de nuestro cerebro están increíblemente interconectadas.
En promedio, cada neurona puede establecer conexiones con miles de otras neuronas. El mecanismo de conexión propuesto proporciona una maravillosa base de hardware para construir redes neuronales a escala cerebral.
El equipo de investigación también ha logrado avances significativos en las capacidades de aprendizaje en el chip para Darwin3, lo que le permite manejar de manera eficiente nueva información y entornos dinámicos mientras ejecuta redes neuronales activas. Esto ha hecho que Darwin3 sea más adaptable y fácil de usar, mostrando una adaptabilidad excepcional en escenarios complejos.
Experimentos recientes demuestran las impresionantes capacidades de aprendizaje en chip del Darwin 3 y su capacidad para admitir varios tipos de SNN, lo que lo distingue de otros chips neuronficos. El desarrollo de Darwin 3 marca un hito importante en la computación neuromórfica y promete avanzar en las capacidades de la inteligencia artificial.
Más información:
De Ma et al, Darwin3: un chip neuromórfico a gran escala con un ISA novedoso y aprendizaje en chip, Revista Nacional de Ciencias (2024). DOI: 10.1093/nsr/nwae102
Citación: Los investigadores desarrollan un chip neuromórfico a gran escala con una nueva arquitectura de conjunto de instrucciones y aprendizaje en el chip (2024, 23 de mayo) recuperado el 23 de mayo de 2024 de https://techxplore.com/news/2024-05-large-scale-neuromorphic-chip -arquitectura.html
Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.
GIPHY App Key not set. Please check settings