Vea También
 |
| Imagen de microscopio electrónico de la interacción del electrodo con la red neuronal de nanocables. Crédito: Universidad de Sídney |
Unos alambres diminutos con un diámetro de sólo milmillonésimas de metro forman las redes de nanocables. Los hilos se asemejan a redes neuronales, similares a las de nuestro cerebro, y se organizan en patrones que recuerdan al juego infantil "Pick Up Sticks". Hay actividades especializadas de procesamiento de la información que pueden llevarse a cabo utilizando estas redes.
Para realizar tareas de memoria y aprendizaje, los algoritmos básicos reaccionan a las variaciones de la resistencia eléctrica en los puntos donde se cruzan los nanocables. Esta característica, denominada "conmutación resistiva de la memoria", se produce cuando las entradas eléctricas experimentan cambios de conductividad, como las sinapsis en el cerebro.
Por primera vez, se ha demostrado que una red neuronal física aprende y recuerda "sobre la marcha" de forma inspirada y similar al funcionamiento de las neuronas del cerebro. La investigación, realizada por científicos de la Universidad de Sídney y la Universidad de California en Los Ángeles, podría conducir al desarrollo de una inteligencia artificial eficiente y de bajo consumo energético para tareas de aprendizaje y memoria más complejas en el mundo real.
Los científicos utilizaron la capacidad de la red para identificar y recordar conjuntos de impulsos eléctricos que se correlacionan con imágenes; este sistema se inspiró en la forma en que el cerebro humano procesa la información.
En palabras de Zdenka Kuncic, investigadora principal: "La tarea de memoria era similar a recordar un número de teléfono". La red también se utilizó para realizar una tarea de reconocimiento de imágenes de referencia, accediendo a imágenes de la base de datos MNIST de dígitos manuscritos, una colección de 70.000 pequeñas imágenes en escala de grises utilizada en aprendizaje automático".
"Nuestra investigación anterior estableció la capacidad de las redes de nanocables para recordar tareas sencillas. Este trabajo ha ampliado estos hallazgos demostrando que las tareas pueden realizarse utilizando datos dinámicos a los que se accede en línea."
Se trata de un avance significativo porque puede resultar difícil conseguir capacidades de aprendizaje en línea cuando se trabaja con grandes cantidades de datos que pueden cambiar a menudo. Un método estándar sería almacenar la información en la memoria y utilizarla para entrenar un modelo de aprendizaje automático. Sin embargo, esto requeriría demasiada energía para ser utilizado de forma generalizada.
Con un 93,4 por ciento de precisión en la identificación exacta de imágenes de prueba, la red neuronal de nanocables demostró un rendimiento de aprendizaje automático de referencia. La tarea de memoria requería recordar secuencias de hasta ocho dígitos. Se introdujeron datos en la red para ambas tareas con el fin de mostrar cómo la memoria mejora el aprendizaje en línea y demostrar la capacidad de la red para el aprendizaje en línea.
Fuentes, créditos y referencias: