Crean una red neuronal de nanocables que aprende y memoriza como lo hace el cerebro

Una red de nanocables que tienen unas milmillonésimas de metro de diámetro imita la función de sinapsis del cerebro biológico para aprender y memorizar la identificación de imágenes correctas con una precisión del 93,4 por ciento.

Un equipo de investigadores de la Universidad de Sydney y la Universidad de California en Los Ángeles ha desarrollado una red neuronal física que es capaz de aprender y de memorizar lo aprendido instantáneamente, procediendo así de una manera similar a cómo funcionan las neuronas del cerebro.

El resultado abre un camino para el desarrollo de una inteligencia artificial eficiente y de bajo consumo energético para tareas de aprendizaje y memoria más complejas y reales. El estudio se ha publicado en Nature Communications.

Jugando con palillos

Las redes neuronales de nanocables están formadas por cables diminutos que tienen solo milmillonésimas de metro de diámetro. Los nanocables se organizan en patrones que recuerdan al juego infantil de "Recoge Palillos".

En este juego, un manojo de palillos, de entre 8 y 20 centímetros de largo, se deja caer sobre una mesa y forman un grupo dispar de posiciones aleatorias.

Los nanocables se agrupan como los palillos usando para ello patrones que imitan a las redes neuronales, como las de nuestro cerebro. Estas redes de nanocables se pueden utilizar para realizar tareas específicas de procesamiento de información.

Algoritmos simples

Las tareas de memoria y aprendizaje de estos nanocables se realizan mediante algoritmos simples que responden a los cambios en la resistencia eléctrica 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 ocurre con las sinapsis de nuestro cerebro.

Estudios anteriores han demostrado cómo la dinámica neuromórfica generada por los nanocables se puede aprovechar para tareas de aprendizaje temporal.

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.

Profesora Zdenka Kuncic.

Pulsos eléctricos

El nuevo estudio amplía estos hallazgos: los investigadores utilizaron la red de nanocables para reconocer y recordar secuencias de pulsos eléctricos que correspondían a imágenes, inspirados por la forma en que el cerebro humano procesa la información.

Aplicado a la tarea de clasificación de dígitos escritos a mano de una base de datos (MINIS) utilizada frecuentemente para el procesamiento de imágenes (una colección de 70.000 pequeñas imágenes en escala de grises utilizadas en el aprendizaje automático), el aprendizaje dinámico en línea de estos nanocables logró una puntuación del 93,4 por ciento en la identificación correcta de las 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, destacan los investigadores en un comunicado.

Ventaja competitiva

La mayoría de las redes neuronales artificiales que se utilizan hoy en día necesitan grandes cantidades de energía para funcionar, debido a que necesitan aprender mediante el análisis de conjuntos de datos. Este requisito limita enormemente su aplicación para el uso mundial.

La red neuronal de nanocables que han desarrollado estos investigadores (que todavía solo es una prueba de concepto) es mucho más eficiente energéticamente que sus predecesoras.

Además, es capaz de aprender y recordar tareas simples con datos dinámicos y en línea, lo que supone un desafío cuando se trata de grandes cantidades de datos que pueden estar cambiando continuamente.

Múltiples aplicaciones

Debido a que esta red de nanocables se puede aprovechar para procesar datos dinámicos en tiempo real, podría tener múltiples aplicaciones tanto en el campo de la inteligencia artificial, como en el reconocimiento de voz, las aplicaciones financieras, los sistemas de identificación facial, el diagnóstico médico o la minería de datos.

También podría utilizarse para tareas de toma de decisiones en videojuegos o para simular el funcionamiento del cerebro humano, según estos investigadores.

Referencia

Online dynamical learning and sequence memory with neuromorphic nanowire networks. Ruomin Zhu et al. Nature Communications, volume 14, Article number: 6697 (2023). DOI: https://doi.org/10.1038/s41467-023-42470-5