El avance de la computación neuromórfica puede alterar la IA

Los científicos crean un transistor orgánico similar a un cerebro que puede aprender y evolucionar.

Fuente: geralt / pixabay

El cerebro humano es un sistema cognitivo extraordinariamente complejo y, sin embargo, energéticamente eficiente. Los científicos e investigadores consideran que la arquitectura del cerebro es una fuente de inspiración para la inteligencia artificial (IA), el aprendizaje automático y el aprendizaje profundo. Los conceptos sobre redes neuronales artificiales (ANN) son algo análogos al cerebro, con nodos artificiales en lugar de neuronas. La computación neuromórfica es un esfuerzo interdisciplinario que se basa en la física, las matemáticas, la ingeniería electrónica, la biología, la informática y la neurociencia, con el fin de crear sistemas neuronales artificiales que se asemejan a la arquitectura en el cerebro. Un equipo de científicos de la Universidad de Linköping en Suecia recientemente hizo un gran avance en la computación neuromórfica al diseñar un nuevo transistor de aprendizaje. Publicaron sus hallazgos ayer en Advanced Science .

El aprendizaje automático de hoy se realiza en circuitos prefabricados. El cerebro, en contraste, puede formar nuevas conexiones donde no ha habido conexiones anteriores. El equipo de investigación de Simone Fabiano, Jennifer Y. Gerasimov, Roger Gabrielsson, Robert Forchheimer, Eleni Stavrinidou, Daniel T. Simon y Magnus Berggren crearon un transistor electroquímico orgánico (OECT) que puede aprender, formar nuevas conexiones entre una entrada y una salida, y tiene memoria tanto a corto como a largo plazo.

• ¿Cansado de los estudios de investigación que te dicen que hagas ejercicio?
• Los enfoques multimodales podrían reducir el riesgo de enfermedad de Alzheimer
• La Irisina Vinculada Al Ejercicio Puede Proteger Contra La Neurodegeneración
• Tres causas de insomnio crónico que no deben pasarse por alto
• La aplicación Pacifica

Un transistor electroquímico orgánico puede amplificar o cambiar las señales de electrones y la energía a través de la inyección de iones de una solución conductora de electricidad (electrolito) en un canal semiconductor. Los transistores electroquímicos orgánicos actuales utilizan típicamente un polímero conductor llamado PEDOT. Roger Gabrielsson, miembro del equipo de investigación del Laboratorio de Electrónica Orgánica de la Universidad de Linköping, desarrolló un monómero llamado ETE-S.

Cuando se manipulan las señales de entrada, “la fuerza de la respuesta del transistor a un estímulo dado se puede modular dentro de un rango que abarca varios órdenes de magnitud”, escribieron los investigadores. Por lo tanto, se permitió que el transistor electroquímico orgánico del equipo se comportara de manera similar a la neuroplasticidad a corto y largo plazo del cerebro. La neuroplasticidad es la capacidad del cerebro para reorganizarse mediante la formación de nuevas conexiones neuronales.

Según Simone Fabiano, investigador principal en nanoelectrónica orgánica en el Laboratorio de Electrónica Orgánica, Campus Norrköping, “es la primera vez que se muestra la formación en tiempo real de nuevos componentes electrónicos en dispositivos neuromorfos”.

• Estados superiores de conciencia: ¿Puede Oriente y Occidente?
• La conciencia plena podría ser un poderoso analgésico
• Robo-envidia: desear a la gente computadoras
• Qué significa demencia, ICM y declinación cognitiva subjetiva
• ¿Qué terapia realmente me ayudará?

Fabiano afirma que el nuevo transistor electroquímico orgánico del equipo de investigación puede “llevar a cabo el trabajo de miles de transistores normales con un consumo de energía que se aproxima a la energía consumida cuando un cerebro humano transmite señales entre dos células”.

Esta tecnología innovadora puede ser útil para el aprendizaje profundo, un subconjunto del aprendizaje automático de la IA que consiste en una red neuronal artificial con más de dos capas. El aprendizaje profundo requiere muchos recursos porque contiene muchas capas de procesamiento neuronal, y cada capa consta de muchos nodos (neuronas artificiales), lo que requiere recursos masivos tanto para el cálculo como para la memoria. Esto explica por qué el aumento de GPU (unidades de procesamiento gráfico) para la computación general con sus capacidades de procesamiento masivamente paralelo (en comparación con el procesamiento en serie) ha acelerado el aumento del aprendizaje profundo. Con mayores capacidades de procesamiento, llegaron avances en las capacidades de reconocimiento de patrones de aprendizaje profundo. Los avances en el aprendizaje profundo son la base del renacimiento de la IA.

Según el informe de abril de 2018 de Grand View Research, se prevé que el mercado mundial de computación neuromórfica alcance los USD 6,48 mil millones para 2024 Los chips neuromórficos se utilizan en electrónica de consumo, robótica, automóviles y otros productos. ¿Este nuevo transistor anunciará un futuro donde el aprendizaje automático de la IA se base en una electrónica orgánica evolutiva?

Copyright © 2019 Cami Rosso Todos los derechos reservados.

Referencias

Universidad de Linköping. “Aprender transistores imita el cerebro: un transistor electroquímico orgánico evolutivo para aplicaciones neuromorfas”. ScienceDaily . 5 de febrero de 2019.