Por primera vez, se ha demostrado con éxito que una red neuronal física aprende y recuerda "sobre la marcha", de una manera inspirada y similar a cómo funcionan las neuronas del cerebro.
El resultado abre un camino para desarrollar inteligencia artificial eficiente y de bajo consumo de energía para tareas de memoria y aprendizaje más complejas del mundo real.
Publicado hoy en Nature Communications , la investigación es una colaboración entre científicos de la Universidad de Sydney y la Universidad de California en Los Ángeles.
El autor principal, Ruomin Zhu, Ph.D. Un estudiante del Nano Institute y la Facultad de Física de la Universidad de Sydney, dijo:"Los hallazgos demuestran cómo el aprendizaje inspirado en el cerebro y las funciones de la memoria utilizando redes de nanocables se pueden aprovechar para procesar datos dinámicos en tiempo real".
Las redes de nanocables están formadas por diminutos cables de apenas una billonésima parte de un metro de diámetro. Los cables se organizan en patrones que recuerdan al juego infantil "Pick Up Sticks", imitando redes neuronales, como las de nuestro cerebro. Estas redes se pueden utilizar para realizar tareas específicas de procesamiento de información.
Las tareas de memoria y aprendizaje se logran mediante algoritmos simples que responden a cambios en la resistencia electrónica en las uniones donde se superponen los nanocables. Esta función, conocida como "cambio de memoria resistiva", se crea cuando las entradas eléctricas encuentran cambios en la conductividad, similar a lo que sucede con las sinapsis en nuestro cerebro.
En este estudio, los investigadores utilizaron la red para reconocer y recordar secuencias de pulsos eléctricos correspondientes a imágenes, inspiradas en la forma en que el cerebro humano procesa la información.
La investigadora supervisora, la profesora Zdenka Kuncic, dijo que la tarea de memoria era similar a recordar un número de teléfono. La red también se utilizó para realizar una tarea de reconocimiento de imágenes de referencia, accediendo a imágenes en la base de datos MNIST de dígitos escritos a mano, una colección de 70.000 pequeñas imágenes en escala de grises utilizadas en el aprendizaje automático.
"Nuestra investigación anterior estableció la capacidad de las redes de nanocables para recordar tareas simples. Este trabajo ha ampliado estos hallazgos al mostrar que las tareas se pueden realizar utilizando datos dinámicos a los que se accede en línea", dijo.
"Este es un importante paso adelante, ya que lograr una capacidad de aprendizaje en línea es un desafío cuando se trata de grandes cantidades de datos que pueden cambiar continuamente. Un enfoque estándar sería almacenar datos en la memoria y luego entrenar un modelo de aprendizaje automático utilizando esa información almacenada. Pero esto consumiría demasiada energía para una aplicación generalizada."
"Nuestro novedoso enfoque permite que la red neuronal de nanocables aprenda y recuerde "sobre la marcha", muestra por muestra, extrayendo datos en línea, evitando así un uso excesivo de memoria y energía".
El Sr. Zhu dijo que había otras ventajas al procesar información en línea.
"Si los datos se transmiten continuamente, como por ejemplo desde un sensor, el aprendizaje automático basado en redes neuronales artificiales debería tener la capacidad de adaptarse en tiempo real, algo para lo que actualmente no están optimizados". dijo.
En este estudio, la red neuronal de nanocables mostró una capacidad de aprendizaje automático de referencia, con una puntuación del 93,4 por ciento en la identificación correcta de imágenes de prueba. La tarea de memoria implicó recordar secuencias de hasta ocho dígitos. Para ambas tareas, se transmitieron datos a la red para demostrar su capacidad de aprendizaje en línea y mostrar cómo la memoria mejora ese aprendizaje.
Más información: Aprendizaje dinámico online y memoria de secuencias con redes de nanocables neuromórficos, Nature Communications (2023). DOI:10.1038/s41467-023-42470-5
Información de la revista: Comunicaciones sobre la naturaleza
Proporcionado por la Universidad de Sydney
