Espacio. La frontera final. Y el 2 de noviembre, 2018, La nave espacial Voyager 2 de la NASA cruzó hacia la inmensidad del espacio interestelar, siguiendo a Voyager 1, que dio el salto seis años antes. Desde su lanzamiento en 1977, las dos sondas han viajado más de 11 mil millones de millas a través del sistema solar, durando mucho más de lo previsto por los científicos.

Alimentado por plutonio y consumiendo 400 vatios de potencia cada uno para hacer funcionar sus componentes electrónicos y calor, las sondas aún toman fotos y las envían a la NASA. Después de 42 años, aunque, solo seis de los 10 instrumentos de la Voyager 2 todavía funcionan, y los científicos de la NASA esperan que la sonda se oscurezca en 2025, mucho antes de que salga de nuestro sistema solar.

Pero, ¿y si la Voyager 2 necesitara solo un par de vatios de potencia? ¿Podría sobrevivir el tiempo suficiente para continuar sus exploraciones en el futuro?

Estos son los tipos de preguntas que hacen los científicos en el Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE). Aquí, Ángel Yanguas-Gil, científico principal de materiales en la división de Materiales Aplicados, está liderando un equipo interdisciplinario que está repensando el diseño de chips de computadora para no solo funcionar y adaptarse mejor, pero para hacerlo usando una minúscula cantidad de energía, alrededor de un vatio.

Por inspiración, el equipo está buscando cerebros de insectos, como las hormigas, abejas, y moscas de la fruta, que ofrecen una nueva frontera en un tipo de inteligencia artificial conocida como computación neuromórfica. Lo que han encontrado podría convertir la inteligencia artificial en su cabeza artificial.

Inspirado por la biología, los chips de computadora de nuevo diseño del equipo, que se basan en nuevos planos y materiales, puede pasar por alto la "nube" para aprender sobre la marcha, Conservar radicalmente la energía y adaptarse a entornos extremos. como el espacio profundo y las áreas radiactivas, todo ello al tiempo que ofrece resultados precisos.

El suave vientre de la inteligencia artificial

La inteligencia artificial invade nuestras vidas, proporcionando innumerables beneficios, como potenciar asistentes digitales activados por voz, guiar coches autónomos, reconociendo nuestras caras, y ayudarnos a responder automáticamente a mensajes de texto y correos electrónicos. AI, sin embargo, tiene algunas limitaciones:se basa en una gran cantidad de datos y un hardware cada vez más rápido, al que siempre debe estar conectado, exige una gran cantidad de energía y tiene una flexibilidad limitada.

¿Cómo es la inteligencia artificial inflexible? La respuesta radica en cómo una forma popular de IA, llamada red neuronal, detecta arreglos significativos en los datos. La mayoría de las redes neuronales que descubren patrones y relaciones en los datos sin programación explícita, son estáticos, diseñado para una tarea específica, como reconocer imágenes. Una vez que una red aprende esa tarea, no puede cambiar de marcha y empezar a conducir un coche.

"La escena cambia, la distribución de datos es ligeramente diferente a la anterior, y lo que aprendiste ya no se aplica, "explicó Sandeep Madireddy, un científico informático en la división de Matemáticas y Ciencias de la Computación (MCS) de Argonne, quien se ha incorporado al equipo de Yanguas-Gil.

Insectos por otra parte, son versátiles y pueden resolver problemas de diferentes formas, dijo Yanguas-Gil.

"En un sistema biológico, la red puede aprender por sí misma y ofrece un grado de flexibilidad mucho mayor, ", dijo." La presión evolutiva sobre los insectos produce Máquinas de computación adaptativa. Abejas, por ejemplo, exhiben la mitad del número de comportamientos cognitivos distintos de los delfines, solo en un volumen mucho más pequeño ".

Preciso bajo presión

Para probar este punto, Los químicos de Yanguas-Gil y Argonne, Jeff Elam y Anil Mane, diseñaron y simularon un nuevo chip neuromórfico inspirado en la diminuta estructura del cerebro de las abejas. moscas de la fruta y hormigas. El equipo creó una red desde cero que contiene dos descubrimientos fundamentales:

• Filtros dinámicos y pesos que cambian la fuerza de varias conexiones neuronales, dependiendo de lo que el sistema considere importante en tiempo real.
• Óxido de tungsteno-aluminio, un material nanocompuesto galardonado creado por Elam y Mane, lo que permitiría que el chip funcione a niveles de potencia muy por debajo de un vatio. (Por el contrario, unidades de procesamiento de gráficos [GPU], basado en el procesamiento de semiconductores de silicio convencional, puede consumir 100 vatios o más por chip).

Las pruebas del nuevo diseño del chip revelaron que era tan preciso como el diseño estándar, pero aprendió mucho más rápido y mantuvo su precisión, incluso por debajo del 60 por ciento de tasas de error en su funcionamiento interno.

"Con redes neuronales, las tasas de error del 20 por ciento erosionan la precisión del sistema, ", dijo Yanguas-Gil." Nuestro sistema puede tolerar tasas de error mucho más altas y mantener la misma precisión que un sistema perfecto. Esto lo convierte en un buen candidato para máquinas que pasan 30 años en el espacio ".

Con estos resultados, El equipo ganó el premio al mejor artículo en agosto en la conferencia de informática espacial de la Sociedad de Computación del Instituto de Ingenieros Eléctricos y Electrónicos (IEEE) de 2019.

Construyendo la mente de la colmena

Después de que su equipo desarrolló el modelo del chip neuromórfico, Yanguas-Gil alistó a Madireddy y Prasanna Balaprakash, también científico informático en la división MCS del laboratorio, y aprovechó las poderosas herramientas informáticas de Argonne para maximizar su rendimiento.

Usando la supercomputadora Theta en Argonne Leadership Computing Facility, una instalación para usuarios de la Oficina de Ciencias del DOE, el dúo ejecutó el plano neuromórfico a través de un paquete de software que desarrollaron llamado DeepHyper, que realiza aprendizaje automático automatizado para redes neuronales. DeepHyper prueba miles de configuraciones diferentes de cerebros de insectos, generando mejores variaciones hasta identificar la adecuada para una tarea en particular.

Con cada conjunto de configuraciones, DeepHyper aprende:evalúa y luego genera el siguiente conjunto de configuración en función de lo que ha visto. "Funciona de la misma manera que los humanos aprenden a jugar, "dijo Balaprakash." Tú juegas, obtienes una puntuación, y luego, basado en los comentarios y sus errores, poco a poco va mejorando ".

En un escenario de producción, todo este aprendizaje se codificará en el chip neuromórfico, y el propio chip podrá adaptarse, cambiando de marcha para resolver cada tipo de tarea.

Cómo cambiar el juego

Estos avances son solo el comienzo. Una vez que Yanguas-Gil y su equipo descubran el diseño de chip de mejor rendimiento, deben ponerse de acuerdo sobre sus mejores usos. Afortunadamente, parece haber una demanda inagotable de un chip que combine la inteligencia informática, justo donde se necesita, con bajos requisitos de energía.

Y si, por ejemplo, ¿Los científicos podrían colocar sensores de baja potencia en los bosques nacionales para que actúen como una alerta de incendios forestales?

Tanto Yanguas-Gil como Balaprakash también apuntan a áreas urbanas, donde el chip podría monitorear posibles químicos peligrosos. Argonne, en asociación con la Universidad de Chicago y la Ciudad de Chicago, ya ha instalado 120 dispositivos de detección inteligente en la ciudad para medir factores como la calidad del aire, tráfico y clima:un proyecto financiado por la National Science Foundation conocido como Array of Things.

Estos dispositivos inteligentes utilizan la plataforma de tecnología Waggle de Argonne, que incluyen dispositivos informáticos de alto rendimiento programables de forma remota para que las capacidades de IA se puedan integrar con los sensores. De este modo, por ejemplo, El análisis de imágenes puede proporcionar información sobre la cantidad y el carácter de las actividades en la calle e incluso las interacciones humanas. En un sentido real Estos dispositivos pueden utilizar técnicas de inteligencia artificial para "aprender" sobre sus entornos a fin de detectar eventos o patrones nuevos o inusuales.

"¿Imagínese si esos sensores pudieran aprender en tiempo real y detectar gas venenoso?" preguntó Balaprakash.

En teoria, Yanguas-Gil está de acuerdo en que los chips neuromórficos podrían actuar como espectrómetros de masas para aprender en tiempo real a reconocer diferentes fragmentos de moléculas sin estar programados explícitamente. "Eso cambiaría las reglas del juego, " él dijo.