¿Qué es la computación neuromórfica?

27 de junio de 2024

Autores

Cole Stryker

Editorial Lead, AI Models

¿Qué es la computación neuromórfica?

La computación neuromórfica, también conocida como ingeniería neuromórfica, es un enfoque de la computación que imita la forma en que funciona el cerebro humano. Implica diseñar 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 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 empresa de consultoría de gestión Gartner ha citado la computación neuromórfica 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 para que las organizaciones la exploren, ya que está progresando rápidamente, pero aún no está lo suficientemente madura como para generalizarse.4

Diseño 3D de pelotas rodando en una pista

Las últimas novedades e insights sobre IA 


Descubra insights y noticias de expertos sobre IA, la nube y mucho más en el boletín semanal Think. 

Cómo funciona la computación neuromórfica

Dado que la computación neuromórfica se inspira en el cerebro humano, toma muchos elementos de la biología y la neurociencia.

Según el Queensland Brain Institute, las neuronas "son las unidades fundamentales del cerebro y el 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 se activa, desencadena la liberación de señales químicas y eléctricas que viajan a través de una red de puntos de conexión llamados sinapsis, lo que permite que las neuronas se comuniquen 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 pico almacenan y procesan datos de manera similar a las neuronas biológicas, y cada neurona tiene sus propios valores de carga, retraso 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) se pueden programar 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, que altera sus valores de peso a lo largo del tiempo de acuerdo con la actividad dentro de la red neuronal de picos.7

A diferencia de las neural networks convencionales, las SNN tienen en cuenta el tiempo en su operación. El valor de carga de una neurona se acumula con el tiempo; y cuando esa carga alcanza el valor umbral asociado de la neurona, se dispara, propagando información a lo largo de su red sináptica. Pero si el valor de la carga no supera el umbral, se disipa y finalmente se “filtra”. Además, los SNN están impulsados por eventos, con valores de retraso neuronal y sináptico que permiten la difusión asincrónica de información.7

Mixture of Experts | Podcast

Decodificación de la IA: Resumen semanal de noticias

Únase a nuestro panel de ingenieros, investigadores, responsables de producto y otros profesionales de talla mundial que se abren paso entre el revuelo de la IA para ofrecerle las últimas noticias e insights al respecto.

Hardware neuromórfico

En las últimas décadas, muchos avances en la computación neuromórfica han llegado en forma de hardware neuromórfico.

En el ámbito académico, una de las primeras implementaciones incluyó 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 apoyaron 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 cuyo objetivo era comprender mejor el cerebro, encontrar nuevos tratamientos para 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 picos. 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 de la industria de la tecnología, 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 emplean tecnología CMOS (semiconductor de óxido metálico complementario). Pero los investigadores también están estudiando nuevos tipos de materiales, como los ferroeléctricos y los de cambio de fase. Los elementos de memoria electrónica no volátiles llamados memristores (una combinación de “memoria” y “resistencia”) son otro módulo para lograr la coubicación de la memoria y el procesamiento de datos en neuronas activas.

Algoritmos de computación neuromórfica

En el ámbito del software, el desarrollo de algoritmos de entrenamiento y aprendizaje para la computación neuromórfica implica técnicas de machine learning y no machine learning. Estos son algunos de ellos:7

Aprendizaje profundo

Para realizar inferencias, las redes neuronales preentrenadas se pueden convertir en redes neuronales con picos empleando estrategias de mapeo como la normalización de pesos o funciones de activación. Una red neuronal también se puede entrenar de manera que sus neuronas se activen como neuronas de spiking.

Algoritmos evolutivos

Estos algoritmos bioinspirados emplean principios de evolución biológica, como la mutación, la reproducción y la selección. Los algoritmos evolutivos se pueden utilizar para diseñar o entrenar SNN, cambiando y optimizando sus parámetros (retrasos y umbrales, por ejemplo) y estructura (el número de neuronas y el método de enlace a través de sinapsis, por ejemplo) a medida que pasa el tiempo.

Gráficos

Las neural networks puntiformes se prestan bien a una representación gráfica, con un SNN tomando la forma de un gráfico dirigido. Cuando uno de los nodos del gráfico tiene picos, el momento en el que otros nodos también tienen picos coincide con la longitud de la ruta más corta desde el nodo de origen.

Plasticidad

En neurociencia, la neuroplasticidad se refiere a la capacidad del cerebro y el sistema nervioso humanos para modificar sus vías neuronales y sinapsis en respuesta a una lesión. En la arquitectura neuromórfica, la plasticidad sináptica generalmente se implementa a través de la plasticidad dependiente del tiempo de pico. Esta operación ajusta los pesos de las sinapsis de acuerdo con los tiempos de pico relativos de las neuronas.

Computación de reservorios

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.

Beneficios de la computación neuromórfica

Los sistemas neuromórficos son muy prometedores desde el punto de vista computacional. Estos son algunos de los 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 los estímulos en evolución 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 las computadoras modernas, también conocidas como computadoras von Neumann, tienen unidades centrales de procesamiento y unidades de memoria separadas y la transferencia de datos entre estas unidades puede causar un cuello de botella que afecta la velocidad. Por otro lado, los sistemas de computación neuromórfica almacenan y procesan datos en neuronas individuales, lo que resulta en una menor latencia y un cálculo más rápido en comparación con la arquitectura de von Neumann.

Procesamiento paralelo

Debido a la naturaleza asíncrona de una SNN, las neuronas individuales pueden realizar diferentes operaciones simultáneamente. Así que, en teoría, los dispositivos neuromórficos pueden ejecutar tantas tareas como neuronas haya en un momento dado. Como tales, las arquitecturas neuromórficas tienen inmensas capacidades de procesamiento paralelo, lo que les permite completar funciones con rapidez.

Desafíos de la computación neuromórfica

La computación neuromórfica todavía es un campo emergente. Y como cualquier tecnología en sus primeras etapas, los sistemas neuromórficos enfrentan algunos desafíos:

Menor 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

Al ser una tecnología algo naciente, la computación neuromórfica tiene escasez de estándares cuando se trata de arquitectura, hardware y 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 se hace difícil evaluar el desempeño y probar la efectividad.

Accesibilidad y software limitados

La mayoría de los enfoques algorítmicos de la computación neuromórfica todavía emplean software diseñado para el hardware de von Neumann, que puede limitar los resultados a lo que la arquitectura de von Neumann puede lograr. Mientras tanto, las API (interfaces de programación de aplicaciones), los modelos de codificación y los lenguajes de programación para sistemas neuromórficos aún no se desarrollaron ni se pusieron a disposición de manera más amplia.

Curva de aprendizaje pronunciada

La computación neuromórfica es un dominio complejo, que se desprende 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.

Casos de uso para computación neuromórfica

Las aplicaciones actuales del mundo real para los sistemas neuromórficos son escasas, pero el paradigma informático posiblemente se pueda aplicar en estos casos de uso:

Vehículos autónomos

Debido a su alto rendimiento y 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 de rumbo más rápida y una mejor prevención de colisiones, al tiempo que reduce las emisiones de energía.

Ciberseguridad

Los sistemas neuromórficos pueden ayudar a detectar patrones o actividades inusuales que podrían significar ciberataques o filtraciones. Y estas amenazas pueden frustrarse rápidamente debido a la baja latencia y la rápida computación de los dispositivos neuromórficos.

Edge AI

Las características de la arquitectura neuromórfica la hacen idónea para edge AI. 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 ajustan a los métodos de procesamiento de información de sensores remotos, drones y otros dispositivos del Internet de las cosas (IoT).

Reconocimiento de patrones

Debido a sus amplias capacidades de procesamiento paralelo, la computación neuromórfica se puede emplear en aplicaciones de machine learning para reconocer patrones en el lenguaje natural y el habla, analizar imágenes médicas y procesar señales de imágenes de exploraciones cerebrales fMRI y pruebas de electroencefalograma (EEG) que miden la actividad eléctrica en el cerebro.

Robótica

Como tecnología adaptable, la computación neuromórfica se puede utilizar para mejorar las habilidades de aprendizaje y toma de decisiones en tiempo real de un robot, ayudándolo a reconocer mejor los objetos, navegar por intrincados diseños de fábrica y operar más rápido en una línea de ensamblaje.

Soluciones relacionadas
IBM watsonx.ai

Entrene, valide, ajuste y despliegue IA generativa, modelos fundacionales y capacidades de machine learning con IBM watsonx.ai, un estudio empresarial de próxima generación para creadores de IA. Diseñe aplicaciones de IA en menos tiempo y con menos datos.

Descubra watsonx.ai
Soluciones de inteligencia artificial

Ponga la IA a trabajar en su negocio con la experiencia en IA líder en la industria y la cartera de soluciones de IBM a su lado.

Explore las soluciones de IA
Consultoría y servicios de IA

Reinvente los flujos de trabajo y las operaciones críticas añadiendo IA para maximizar las experiencias, la toma de decisiones en tiempo real y el valor empresarial.

Conozca los servicios de IA
Dé el siguiente paso

Obtenga acceso único a capacidades que abarcan el ciclo de vida del desarrollo de IA. Produzca potentes soluciones de IA con interfaces fáciles de usar, flujos de trabajo y acceso a API y SDK estándar de la industria.

Explore watsonx.ai Reserve una demostración en vivo
Notas de 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, Human Brain Project, consultado el 21 de junio de 2024.