27 de junio de 2024
La computación neuromórfica, también conocida como ingeniería neuromórfica, es un enfoque informático que imita la forma en la que funciona el cerebro humano. Implica el diseño de hardware y software que simulen las estructuras y funciones neuronales y sinápticas del cerebro para procesar información.
La computación neuromórfica puede parecer un campo nuevo, pero sus orígenes se remontan a la década de 1980. Fue la década en la que Misha Mahowald y Carver Mead desarrollaron la primera retina y cóclea de silicio y las primeras neuronas y sinapsis de silicio que fueron pioneras en el paradigma de la computación neuromórfica.1
Hoy en día, a medida que los sistemas de inteligencia artificial (IA) escalan, necesitarán hardware y software de última generación detrás de ellos. La computación neuromórfica puede actuar como un acelerador del crecimiento de la IA, impulsar la computación de alto rendimiento y servir como uno de los componentes básicos de la superinteligencia artificial. Incluso se están realizando experimentos para combinar la computación neuromórfica con la computación cuántica.2
La computación neuromórfica ha sido citada por la consultora de gestión Gartner como una de las principales tecnologías emergentes para las empresas.3 Del mismo modo, la empresa de servicios profesionales PwC señala que la computación neuromórfica es una tecnología esencial que las organizaciones deben explorar, ya que está progresando rápidamente pero aún no está lo suficientemente madura como para convertirse en la corriente principal.4
Las últimas noticias + conocimientos de IA
Descubra ideas y noticias de expertos sobre IA, nube y mucho más en el boletín semanal Think.
Dado que la computación neuromórfica se inspira en el cerebro humano, toma prestado en gran medida de la biología y la neurociencia.
Según el Queensland Brain Institute, las neuronas "son las unidades fundamentales del cerebro y del sistema nervioso".5 Como mensajeros, estas células nerviosas transmiten información entre diferentes áreas del cerebro y a otras partes del cuerpo. Cuando una neurona se activa o "impulsa", desencadena la liberación de señales químicas y eléctricas que viajan a través de una red de puntos de conexión llamados sinapsis, lo que permite a las neuronas comunicarse entre sí.6
Estos mecanismos neurológicos y biológicos se modelan en sistemas informáticos neuromórficos a través de redes neuronales de impulsos (SNN). Una red de red neuronal de impulsos es un tipo de red neuronal compuesta por neuronas de impulsos y sinapsis.
Las neuronas de impulsos almacenan y procesan datos de forma similar a las neuronas biológicas, y cada neurona tiene sus propios valores de carga, retardo y umbral. Las sinapsis crean vías entre las neuronas y también tienen valores de retraso y peso asociados a ellas. Estos valores (cargas neuronales, retrasos neuronales y sinápticos, umbrales neuronales y pesos sinápticos) pueden programarse dentro de los sistemas informáticos neuromórficos.7
En la arquitectura neuromórfica, las sinapsis se representan como dispositivos sinápticos basados en transistores, que emplean circuitos para transmitir señales eléctricas. Las sinapsis suelen incluir un componente de aprendizaje, alterando sus valores de peso a lo largo del tiempo en función de la actividad dentro de la red neuronal de impulsos.7
A diferencia de las redes neuronales convencionales, las SNN tienen en cuenta el tiempo en su funcionamiento. El valor de carga de una neurona se acumula con el tiempo; y cuando esa carga alcanza el valor umbral asociado a la neurona, se dispara y propaga información a lo largo de su red sináptica. Pero si el valor de la carga no supera el umbral, se disipa y finalmente se “fuga”. Además, las SNN están impulsadas por eventos, con valores de retraso neuronal y sináptico que permiten la difusión asincrónica de información.7
En las últimas décadas, muchos avances en computación neuromórfica se han producido en forma de hardware neuromórfico.
En el ámbito académico, una de las primeras implementaciones incluyó el Neurogrid de la Universidad de Stanford, cuyo sistema multichip mixto analógico-digital puede "simular un millón de neuronas con miles de millones de conexiones sinápticas en tiempo real".8 Mientras tanto, el centro de investigación IMEC creó un chip neuromórfico de autoaprendizaje.9
Los cuerpos de gobierno también han apoyado los esfuerzos de investigación neuromórfica. El Proyecto Cerebro Humano de la Unión Europea, por ejemplo, fue una iniciativa de 10 años que finalizó en 2023 y tenía como objetivo comprender mejor el cerebro, encontrar nuevos tratamientos para las enfermedades cerebrales y desarrollar nuevas tecnologías informáticas inspiradas en el cerebro.
Estas tecnologías incluyen las máquinas neuromórficas a gran escala SpiNNaker y BrainScaleS. SpiNNaker se ejecuta en tiempo real en chips digitales multinúcleo, con una red basada en paquetes para la optimización del intercambio de impulsos. BrainScaleS es una máquina acelerada que emula modelos electrónicos analógicos de neuronas y sinapsis. Tiene un sistema de chip a escala de oblea de primera generación (llamado BrainScaleS-1) y un sistema de chip único de segunda generación (llamado BrainScaleS-2).10
Dentro del sector tecnológico, los procesadores neuromórficos incluyen Loihi de Intel, NeuronFlow de GrAI Matter Labs y los chips neuromórficos TrueNorth y NorthPole de próxima generación de IBM.
La mayoría de los dispositivos neuromórficos están hechos de silicio y utilizan tecnología CMOS (semiconductor complementario de óxido metálico). Pero los investigadores también están estudiando nuevos tipos de materiales, como los materiales ferroeléctricos y de cambio de fase. Los elementos de memoria electrónica no volátil llamados memristores (una combinación de "memoria" y "resistencia") son otro módulo para realizar la colocación de la memoria y el proceso de datos en neuronas de impulsos.
En el ámbito del software, el desarrollo de algoritmos de entrenamiento y aprendizaje para la computación neuromórfica involucra técnicas tanto de machine learning como de otro tipo. A continuación se muestran algunos de ellos:7
Para realizar inferencias, las redes neuronales profundas preentrenadas se pueden convertir en redes neuronales de impulsos utilizando estrategias de mapeo como la normalización de ponderaciones o activación. Una red neuronal también se puede entrenar de manera que sus neuronas se activen como neuronas de spiking.
Estos algoritmos bioinspirados emplean principios de evolución biológica, como la mutación, la reproducción y la selección. Los algoritmos evolutivos pueden utilizarse para diseñar o entrenar las SNN, cambiando y optimizando sus parámetros (retardos y umbrales, por ejemplo) y su estructura (el número de neuronas y el método de enlace mediante sinapsis, por ejemplo) a medida que pasa el tiempo.
Las redes neuronales de impulsos se prestan bien a una representación gráfica, donde una SNN adopta la forma de un gráfico dirigido. Cuando uno de los nodos del gráfico alcanza un impulso, el momento en el que los otros nodos también alcanzan un pico coincide con la longitud del camino más corto desde el nodo de origen.
En neurociencia, la neuroplasticidad se refiere a la capacidad del cerebro humano y del sistema nervioso para modificar sus vías neuronales y sinapsis en respuesta a una lesión. En la arquitectura neuromórfica, la plasticidad sináptica se implementa típicamente a través de la plasticidad dependiente de la temporización de los picos. Esta operación ajusta los pesos de las sinapsis en función de los tiempos relativos de los picos de las neuronas.
La computación de reservorios, que se basa en redes neuronales recurrentes, utiliza un "depósito" para enviar entradas a un espacio computacional de dimensiones superiores, con un mecanismo de lectura entrenado para leer la salida del depósito.
En la computación neuromórfica, las señales de entrada se alimentan a una red neuronal de impulsos, que actúa como reservorio. El SNN no está entrenado; en su lugar, se basa en las conexiones recurrentes dentro de su red junto con los retrasos sinápticos para asignar entradas a un espacio computacional de mayor dimensión.
Los sistemas neuromórficos son muy prometedores desde el punto de vista computacional. Estas son algunos de las beneficios potenciales que ofrece este tipo de arquitectura informática:
Adaptabilidad
Como tecnología inspirada en el cerebro, la computación neuromórfica también implica la noción de plasticidad. Los dispositivos neuromórficos están diseñados para el aprendizaje en tiempo real, adaptándose continuamente a la evolución de los estímulos en forma de entradas y parámetros. Esto significa que podrían sobresalir en la resolución de problemas novedosos.
Eficiencia energética
Como se mencionó anteriormente, los sistemas neuromórficos se basan en eventos, con neuronas y procesamiento de sinapsis en respuesta a otras neuronas de impulsos. Como resultado, solo el segmento que está computando impulsos consume energía mientras que el resto de la red permanece inactiva. Esto conduce a un consumo de energía más eficiente.
Alto rendimiento
La mayoría de los ordenadores modernos, también conocidos como ordenadores von Neumann, tienen unidades centrales de procesamiento y unidades de memoria separadas, y la transferencia de datos entre estas unidades puede provocar un cuello de botella que afecte a la velocidad. Por otro lado, los sistemas de computación neuromórfica almacenan y procesan datos en neuronas individuales, lo que resulta en una latencia más baja y un cálculo más rápido en comparación con la arquitectura de von Neumann.
Procesamiento paralelo
Debido a la naturaleza asincrónica de la SNN, las neuronas individuales pueden realizar diferentes operaciones al mismo tiempo. Teóricamente, los dispositivos neuromórficos pueden ejecutar tantas tareas como neuronas haya en un momento dado. Como tal, las arquitecturas neuromórficas tienen inmensas capacidades de procesamiento en paralelo, lo que les permite completar las funciones con rapidez.
La computación neuromórfica sigue siendo un campo emergente. Y como cualquier tecnología en sus primeras etapas, los sistemas neuromórficos se enfrentan a algunos desafíos:
Disminución de la precisión
El proceso de conversión de redes neuronales profundas en redes neuronales de impulsos puede provocar una caída en la precisión. Además, los memristores utilizados en el hardware neuromórfico pueden tener variaciones de ciclo a ciclo y de dispositivo que pueden afectar a la precisión, así como límites en los valores de peso sináptico que pueden reducir la precisión.7
Falta de puntos de referencia y estándares
Como tecnología algo incipiente, la computación neuromórfica tiene escasez de estándares en lo que respecta a la arquitectura, el hardware y el software. Los sistemas neuromórficos tampoco tienen puntos de referencia claramente definidos y establecidos, conjuntos de datos de muestra, tareas de prueba y métricas, por lo que resulta difícil evaluar el rendimiento y demostrar la eficacia.
Accesibilidad y software limitados
La mayoría de las aproximaciones algorítmicas a la computación neuromórfica siguen empleando software diseñado para hardware von Neumann, lo que puede limitar los resultados a lo que la arquitectura von Neumann puede conseguir. Mientras tanto, las API (interfaces de programación de aplicaciones), los modelos de codificación y los lenguajes de programación para los sistemas neuromórficos aún no se han desarrollado ni están disponibles de forma más generalizada.
Curva de aprendizaje pronunciada
La computación neuromórfica es un dominio complejo, que se nutre de disciplinas como la biología, la informática, la ingeniería electrónica, las matemáticas, la neurociencia y la física. Esto hace que sea difícil de comprender fuera de un laboratorio académico especializado en investigación neuromórfica.
Las aplicaciones actuales de los sistemas neuromórficos en el mundo real son escasas, pero el paradigma informático puede aplicarse posiblemente en estos casos de uso:
Debido a su alto rendimiento y a las ganancias de órdenes de magnitud en eficiencia energética, la computación neuromórfica puede ayudar a mejorar las habilidades de navegación de un vehículo autónomo, lo que permite una corrección más rápida del rumbo y una mejor prevención de colisiones al tiempo que reduce las emisiones de energía.
Los sistemas neuromórficos pueden ayudar a detectar patrones o actividades inusuales que podrían indicar ciberataques o infracciones. Y estas amenazas pueden ser frustradas rápidamente debido a la baja latencia y el rápido cálculo de los dispositivos neuromórficos.
Las características de la arquitectura neuromórfica la hacen adecuada para la IA edge. Su bajo consumo de energía puede ayudar con la corta duración de la batería de dispositivos como smartphones y wearables, mientras que su adaptabilidad y su naturaleza basada en eventos se adaptan a los métodos de procesamiento de información de sensores remotos, drones y otros dispositivos de Internet de las cosas (IoT).
Debido a sus amplias capacidades de procesamiento paralelo, la computación neuromórfica se puede utilizar en aplicaciones de machine learning para reconocer patrones en el lenguaje natural y el habla, analizar imágenes médicas y procesar señales de imágenes de resonancias magnéticas cerebrales y pruebas de electroencefalograma (EEG) que miden la actividad eléctrica en el cerebro.
Como tecnología adaptable, la computación neuromórfica puede utilizarse para mejorar las capacidades de aprendizaje y toma de decisiones en tiempo real de un robot, ayudándole a reconocer mejor los objetos, navegar por los intrincados diseños de las fábricas y operar con mayor rapidez en una cadena de montaje.
Entrene, valide, ajuste e implemente IA generativa, modelos fundacionales y capacidades de machine learning con IBM watsonx.ai, un estudio empresarial de nueva generación para desarrolladores de IA. Cree aplicaciones de IA en menos tiempo y con menos datos.
Ponga la IA a trabajar en su negocio con la experiencia líder en IA del sector de IBM y junto a su cartera de soluciones.
Reinvente las operaciones y flujos de trabajo críticos añadiendo IA para maximizar las experiencias, la toma de decisiones en tiempo real y el valor empresarial.
Recursos
Aprenda los conceptos fundamentales y desarrolle sus habilidades con laboratorios prácticos, cursos, proyectos guiados, pruebas y mucho más.
Aprenda a incorporar con confianza la IA generativa y el machine learning a su negocio.
¿Quiere obtener un mayor rendimiento de sus inversiones en IA? Descubra cómo escalar la IA generativa en áreas clave impulsa el cambio ayudando a sus mentes más brillantes a crear y ofrecer nuevas soluciones innovadoras.
Aprenda a seleccionar el modelo fundacional de IA más adecuado para su caso de uso.
IBM Granite es nuestra familia de modelos de IA abiertos, eficaces y de confianza, adaptados a la empresa y optimizados para escalar sus aplicaciones de IA. Explore las opciones de idioma, código, series de tiempo y salvaguardas.
Profundice en los tres elementos cruciales de una estrategia de IA sólida: crear una ventaja competitiva, ampliar la IA en toda la empresa y promover una IA fiable.
Hemos encuestado a 2000 organizaciones sobre sus iniciativas de IA para descubrir qué funciona, qué no y cómo puede adelantarse.
Notas a pie de página
1 Carver Mead Earns Lifetime Contribution Award for Neuromorphic Engineering. Caltech. 7 de mayo de 2024.
2 Neuromorphic Quantum Computing. Quromorphic. Consultado el 21 de junio de 2024.
3 30 Emerging Technologies That Will Guide Your Business Decisions. Gartner. 12 de febrero de 2024.
4 The new Essential Eight technologies: what you need to know. PwC. 15 de noviembre de 2023.
5 What is a neuron?. Queensland Brain Institute. Consultado el 21 de junio de 2024.
6 Action potentials and synapses. Queensland Brain Institute. Consultado el 21 de junio de 2024.
7 Opportunities for neuromorphic computing algorithms and applications. Nature. 31 de enero de 2022.
8 Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations. IEEE. 24 de abril de 2014.
9 IMEC demonstrates self-learning neuromorphic chip that composes music. IMEC. 16 de mayo de 2017.
10 Neuromorphic computing. Proyecto Cerebro Humano. Consultado el 21 de junio de 2024.