La convergencia entre la informática y la neurociencia avanza a pasos agigantados, o diminutos, si consideramos el tamaño de los nuevos dispositivos que tratan de emular el potencial para procesar información que poseen nuestras neuronas. Es en esta línea de desarrollo que se encuentran los memristors, la punta de lanza en la vanguardia que busca trasladar las dinámicas informáticas del cerebro al terreno de la electrónica.
Los dispositivos memristivos que imitan las sinapsis que conectan las neuronas podrían servir de hardware para redes neuronales que copien la forma en que aprende el cerebro. Ahora, dos nuevos estudios podrían ayudar a resolver los problemas clave a los que se enfrentan estos componentes, no sólo en cuanto a rendimiento y fiabilidad, sino también a la hora de encontrar aplicaciones más allá de las redes neuronales.
Ambos estudios se publicaron el 19 de diciembre en la revista Nature Electronics.
Los memristores, o resistencias de memoria, son básicamente interruptores capaces de recordar el estado eléctrico al que fueron conmutados una vez apagados. Científicos de todo el mundo aspiran a utilizar memristores y componentes similares para construir dispositivos electrónicos que, como las neuronas, puedan tanto computar como almacenar datos. Estos dispositivos podrían reducir en gran medida la energía y el tiempo que se pierden en los microchips convencionales al transportar datos entre los procesadores y la memoria. Este hardware neuromórfico inspirado en el cerebro también puede resultar ideal para implantar redes neuronales, sistemas de inteligencia artificial cada vez más utilizados en aplicaciones como el análisis de exploraciones médicas y el control de vehículos autónomos.
Sin embargo, los dispositivos memristivos actuales suelen basarse en tecnologías emergentes con bajos rendimientos de producción y prestaciones electrónicas poco fiables. Para superar estas dificultades, investigadores de Israel y China fabricaron dispositivos memristivos utilizando una línea de producción CMOS estándar. Las sinapsis de silicio resultantes que construyó el equipo tenían un rendimiento del 100% y una eficiencia energética entre 170 y 350 veces superior a la de una unidad de procesamiento gráfico Nvidia Tesla V100 de alto rendimiento cuando se trataba de operaciones de multiplicación-acumulación, la operación más básica de las redes neuronales.
Los científicos desarrollaron los nuevos dispositivos utilizando la tecnología de transistores de puerta flotante empleada en las memorias flash comerciales. Mientras que los transistores de puerta flotante convencionales tienen tres terminales, los nuevos componentes sólo tienen dos. Esto simplifica enormemente su fabricación y funcionamiento y reduce su tamaño. Además, los memristores sólo tienen entradas y salidas binarias, lo que elimina la necesidad de los grandes convertidores analógico-digital y digital-analógico, que consumen mucha energía y suelen emplearse en el hardware neuromórfico, explica el autor principal del estudio, Shahar Kvatinsky, profesor asociado de ingeniería eléctrica e informática en el Instituto Tecnológico Technion-Israel de Haifa.
Los nuevos dispositivos mostraron una gran resistencia, superando más de 100.000 ciclos de programación y borrado mediante pulsos de tensión. Además, sólo mostraron una variación moderada de un dispositivo a otro y se prevé que posean largos tiempos de retención de datos de más de 10 años.
Los investigadores utilizaron una matriz de unos 150 de estos componentes para implantar una especie de red neuronal que funcionaba utilizando sólo señales binarias. En los experimentos, pudo reconocer dígitos manuscritos con una precisión aproximada del 97 por ciento. Kvatinsky afirma que este trabajo "es sólo el principio, una prueba de concepto, no un chip integrado completo ni una gran red neuronal. La integración y la ampliación son un reto importante".
En otro estudio, un equipo de investigadores franceses investigó el uso de memristores para la técnica de cálculo estadístico conocida como razonamiento bayesiano, en la que el conocimiento previo ayuda a calcular las probabilidades de que una elección incierta sea correcta. Sus resultados son totalmente explicables -a diferencia de muchos cálculos de IA casi inescrutables- y puede funcionar bien cuando hay pocos datos disponibles, ya que puede incorporar conocimientos previos de expertos. Sin embargo, "no está claro cómo calcular el razonamiento bayesiano con memristores", afirma Damien Querlioz, coautor del estudio e investigador científico del CNRS en la Universidad de París-Saclay.
Implementar el razonamiento bayesiano utilizando la electrónica convencional requiere complejos patrones de memoria, "que aumentan exponencialmente con el número de observaciones", afirma la científica neuromórfica Melika Payvand, del Instituto de Neuroinformática de Zúrich, que no participó en ninguno de los dos estudios. Sin embargo, Querlioz y sus colegas "encontraron una forma de simplificar esto", señala.
Los científicos reescribieron las ecuaciones bayesianas para que una matriz de memristores pudiera realizar análisis estadísticos que aprovecharan la aleatoriedad, es decir, la "computación estocástica". Con este método, la matriz generaba flujos de bits semialeatorios a cada tick del reloj. Estos bits solían ser ceros, pero a veces eran unos. La proporción entre ceros y unos codifica las probabilidades necesarias para los cálculos estadísticos que realiza la matriz. Esta estrategia digital utiliza circuitos relativamente sencillos en comparación con los métodos no estocásticos, lo que reduce el tamaño y la demanda energética del sistema. Los investigadores fabricaron un circuito prototipo que incorporaba 2.048 memristores de óxido de hafnio sobre 30.080 transistores CMOS en el mismo chip. En los experimentos, hicieron que el nuevo circuito reconociera la firma manuscrita de una persona a partir de señales emitidas por un dispositivo que se llevaba en la muñeca.
El razonamiento bayesiano suele considerarse caro desde el punto de vista computacional con la electrónica convencional. El nuevo circuito reconoció la escritura manuscrita utilizando entre 1/800 y 1/5.000 veces la energía de un procesador informático convencional, lo que sugiere "que los memristores son una pista muy prometedora para proporcionar inteligencia artificial de bajo consumo energético", afirma Querlioz.
El nuevo dispositivo también puede encenderse y apagarse instantáneamente, lo que sugiere que puede funcionar sólo cuando sea necesario, para ahorrar energía. Además, los investigadores afirman que es resistente a errores debidos a sucesos aleatorios, lo que lo hace útil en entornos extremos. En conjunto, el nuevo circuito "destaca en situaciones críticas para la seguridad, en las que existe una gran incertidumbre, se dispone de pocos datos y se requieren decisiones explicables", afirma Querlioz. "Algunos ejemplos son los sensores médicos o los circuitos para controlar la seguridad de las instalaciones industriales".
Según Payvand, los circuitos bayesianos podrían utilizarse en el futuro en máquinas que recojan múltiples tipos de datos sensoriales, como vehículos autónomos o drones. Si la máquina no confía en las predicciones hechas a partir de un sentido, podría aumentar su confianza analizando datos de un sentido diferente, señala.
Un obstáculo clave al que se enfrentan los sistemas bayesianos "es su escalabilidad a problemas o redes mayores", advierte Payvand. Querlioz señala que el equipo ha diseñado una versión considerablemente ampliada de su dispositivo "que se está fabricando actualmente". Señala que su circuito está actualmente especializado en ciertos tipos de cálculo bayesiano, y que quieren crear diseños más adaptables en el futuro. Hasta cierto punto, ambos estudios utilizan la aleatoriedad: Querlioz y sus colegas la emplean para el análisis estadístico, mientras que Kvatinsky y sus colaboradores hacen que sus redes neuronales muestreen datos a intervalos aleatorios para evitar los tipos de errores que pueden producirse al muestrear datos un número limitado de veces.
"Estos enfoques combinan muy bien con la aleatoriedad heredada de los dispositivos memristores", afirma Giacomo Pedretti, investigador principal de IA en los laboratorios Hewlett Packard, que no participó en ninguno de los dos estudios. Sería "muy interesante" intentar utilizar el ruido inherente a estos dispositivos electrónicos para generar aleatoriedad controlada "en lugar de implementar costosos generadores digitales de números pseudoaleatorios", afirma.
