Los ingenieros del Instituto de Tecnología de Tokio (Tokyo Tech) han demostrado un enfoque computacional utilizando una red de anillos de osciladores de pico acoplados con dinámicas caóticas implementadas en hardware analógico. Este nuevo enfoque se basa en los fenómenos de emergencia y formación de patrones que ocurren bajo "sincronización incompleta" dentro de dinámicas caóticas. En el futuro, podría tener un impacto significativo en los métodos convencionales para la detección de patrones comúnmente utilizados en redes neuronales artificiales en contrapartes de hardware digital.

En los últimos tiempos, los algoritmos basados ​​en inteligencia artificial (IA) están encontrando diversas aplicaciones sociales, como atención médica personalizada, conducción autónoma, ciudades inteligentes y agricultura de precisión. La cantidad de capacidad informática necesaria para implementar tales algoritmos está aumentando. Por lo tanto, las iniciativas de investigación buscan enfoques alternativos de IA inspirados en los sistemas naturales existentes.

Un enfoque es la computación de reservorios físicos, donde se utiliza un conjunto de elementos dinámicos que explotan fenómenos físicos para mapear datos de entrada en un espacio de alta dimensión. El mérito de este método es la necesidad reducida de algoritmos de entrenamiento que requieren una gran cantidad de potencia de procesamiento. Estos reservorios a menudo pueden implementarse mediante sistemas físicos muy simples y no requieren arquitecturas complejas como es el caso de las redes neuronales.

El circuito que se utilizó en este estudio, llamado circuito Minati-Frasca e inicialmente descubierto y desarrollado por investigadores de las Universidades de Trento y Catania en Italia, es muy elemental, involucra solo cinco componentes pasivos y dos activos, mientras muestra un rico comportamiento de picos. . "Estos circuitos son verdaderamente notables y son candidatos naturales para la computación de yacimientos físicos", dice el Dr. Hiroyuki Ito, jefe de la Unidad de Nano Detección donde se realizó el estudio.

Los experimentos realizados por los investigadores de Tokyo Tech incluyeron el ajuste de la caoticidad y la fuerza de acoplamiento dentro de una red de anillos de circuitos Minati-Frasca. Inicialmente, a valores bajos de un parámetro de control adecuado, la red mostró picos periódicos, seguidos de un comportamiento muy irregular cuando se incrementó este parámetro. En combinación con el barrido de la fuerza de acoplamiento, esta operación reveló una gran variedad de formas en que la red se sincroniza, lo que significa que los nodos dentro de ella muestran un comportamiento similar, como se puede observar en sus formas de onda. Considerando la red como un todo, dentro del caos se puede observar la aparición de patrones de sincronización con una sincronización preferencial de algunos pares de nodos sobre otros, situación conocida como sincronización incompleta. Además, en el caso de esta red en particular, esta región alcanza el ancho máximo cerca del borde del caos, que es el límite entre las regiones de operación periódicas y caóticas.

Luego, los investigadores de Tokyo Tech introdujeron dos factores adicionales para influir en la "ruta de sincronización", a saber, la inyección de ruido coherente en cada nodo dentro de la red y la división de la red en dos poblaciones diferentes. El primero mostró que el ruido adicional reduce significativamente la sincronización de la red en la región periódica, mientras que en la región caótica, el área de cambios de sincronización incompleta y la sincronización de nodos que no son estructuralmente adyacentes se mejora. Esto indica que la red puede responder a estímulos externos de manera compleja. El último experimento dividió la red en dos mitades, una operando dentro del caos y la otra dentro de la periodicidad.

La ruta a la sincronización bajo esta condición fue examinada con un barrido de fuerza de acoplamiento, produciendo una sorprendente diversificación de los comportamientos de sincronización entre las dos poblaciones. Mientras que la fuerza de sincronización aumentaba constantemente dentro de la mitad caótica, la mitad periódica mostraba efectos no monótonos, es decir, aparecían múltiples mínimos al barrer la fuerza de acoplamiento. Además, al investigar en detalle los patrones de sincronización, se reveló un comportamiento adversario, mostrando una sincronización inicial de la mitad periódica que luego fue superada por la mitad caótica, seguida de una sincronización general final entre ambas mitades. Este efecto subraya aún más el potencial generativo de esta red. En esencia, una división binaria de dos poblaciones muestra un escenario muy simplificado de las perturbaciones de entrada a las que podría estar expuesta esta red cuando se utiliza para la computación de yacimientos físicos.

Como tal, los investigadores consideraron la red en su estudio y propusieron usarla para implementar la computación de reservorios en el futuro mediante la explotación de los diversos fenómenos que se describieron anteriormente. "Al tener antecedentes de aprendizaje automático, los acoplamientos dentro de la red me recordaron trabajar con redes neuronales. Sin embargo, al principio no pude comprender las implicaciones de cambiar la dinámica y el caos, ya que los algoritmos de IA convencionales tienden a no tener su innato. actividad dinámica", dice Jim Bartels, uno de los autores principales de este estudio. "Me di cuenta de que explotar estas dinámicas para la computación podría encajar bien en el campo de la computación de yacimientos, que sigue siendo un área de estudio en crecimiento".

Después de esta entrevista, el equipo explicó por qué este tipo de computación de reservorios podría ser beneficioso para aplicaciones en la sociedad. "Uno de los principales campos de investigación en los que estamos trabajando en la Unidad de Nano Detección es la clasificación de series temporales para dispositivos de Internet de las cosas (IoT) y computación de borde, como la clasificación del comportamiento animal. Una consideración muy importante para estos dispositivos es su vida útil de la batería, ya que determina la barrera hacia la adopción concreta Lo emocionante de los reservorios físicos como el que hemos propuesto es la posibilidad de operar, en futuras realizaciones integradas aún por construir, a una potencia más baja que las grandes redes neuronales digitales. Como el circuito representa uno de los tipos más pequeños conocidos de osciladores generadores de picos, y va más allá de la etapa actual de prueba de concepto, esperamos que los investigadores de todo el mundo exploren sus muchas variaciones posibles para marcos computacionales adicionales, como las redes neuronales". comentó.

Ludovico Minati, autor principal del estudio. Los experimentos que se llevaron a cabo, el diseño del hardware, los resultados y su discusión se informan en un artículo reciente publicado en la revista Chaos, Solitons &Fractals . Además, todos los materiales de diseño y los datos experimentales se han hecho descargables gratuitamente. + Explora más

Explorando la sincronización parcial en sistemas en red