Vea También
 |
En el laboratorio del Dr. Joseph Friedman se utiliza una estación de sonda para probar pequeños dispositivos neuromórficos. Crédito: Universidad de Texas en Dallas. |
Científicos de la Universidad de Texas en Dallas han desarrollado una computadora neuromórfica capaz de aprender y adaptarse de manera similar al cerebro humano. A diferencia de los sistemas de inteligencia artificial actuales, este nuevo prototipo refuerza las conexiones entre sus “neuronas” sintéticas cuando se estimulan, replicando el proceso natural de aprendizaje del cerebro.
Según los investigadores, este procesador inspirado en la biología puede aprender más rápido y consumir mucha menos energía que las arquitecturas de IA convencionales. Su avance podría reducir la dependencia de enormes centros de datos y abrir el camino para llevar el aprendizaje automático directamente a dispositivos móviles.
En los ordenadores tradicionales, los datos se almacenan en un lugar (como una memoria RAM o disco duro) y se procesan en otro. El profesor Joseph S. Friedman, del Departamento de Ingeniería Eléctrica y de Computación de la Universidad de Texas, explicó que esa separación limita la eficiencia de las inferencias en IA, algo que el cerebro humano hace de forma natural. Además, este enfoque requiere cantidades colosales de datos etiquetados y un número inmenso de cálculos de entrenamiento, lo que puede alcanzar costos de cientos de millones de dólares.
 |
El Dr. Joseph S. Friedman y sus colegas de la Universidad de Texas en Dallas crearon un prototipo informático que aprende patrones y realiza predicciones utilizando menos cálculos de entrenamiento que los sistemas de inteligencia artificial convencionales. Crédito: Universidad de Texas en Dallas. |
La clave de los computadores neuromórficos es que integran procesamiento y almacenamiento en el mismo lugar, tal como lo hace el cerebro. En él, las neuronas y las sinapsis almacenan y procesan información al mismo tiempo, fortaleciendo o debilitando sus conexiones según los patrones de actividad. Esa integración, señalan los investigadores, es lo que permite al cerebro aprender de forma continua.
Inspirados por la ley de Hebb —el principio de que “las neuronas que se activan juntas, se conectan juntas”— Friedman y su equipo construyeron su modelo aplicando esta idea a nivel electrónico. “Si una neurona artificial provoca que otra se active, la conexión entre ambas se vuelve más conductiva”, explicó el científico.
En colaboración con expertos de Everspin Technologies y Texas Instruments, el equipo utilizó dispositivos llamados uniones de túnel magnético (MTJ, por sus siglas en inglés) para simular las sinapsis entre neuronas. Estas diminutas estructuras, hechas de capas de material magnético separadas por una barrera aislante, permiten o dificultan el paso de electrones dependiendo de su orientación magnética, imitando así la forma en que las neuronas ajustan su conexión durante el aprendizaje.
Al integrar las MTJ en su procesador, los investigadores lograron que el sistema reforzara ciertas rutas de señal cada vez que los impulsos pasaban de forma coordinada, replicando el comportamiento de las redes neuronales biológicas. Este diseño de “conmutación binaria” también demostró ser un medio confiable para almacenar información, resolviendo un problema que había limitado durante años a otras aproximaciones neuromórficas.
El próximo paso del equipo será escalar el prototipo a un tamaño mayor y desarrollar una versión comercial. Si lo logran, esta tecnología podría impulsar dispositivos inteligentes con una fracción del consumo energético de las actuales IA basadas en la nube. Friedman asegura que este hallazgo muestra “una nueva ruta para crear computadoras que aprendan por sí mismas, igual que el cerebro humano”.
Con esta innovación, los científicos están un paso más cerca de construir máquinas que no solo calculen, sino que piensen. La era de las computadoras que aprenden por experiencia ya no pertenece a la ciencia ficción: está comenzando en los laboratorios de Texas.
Fuentes, créditos y referencias: