resumen: Los investigadores han desarrollado un sistema informático experimental, similar a un cerebro biológico, que reconoció con éxito números escritos a mano con una tasa de precisión del 93,4%.
Esta hazaña se logró utilizando un nuevo algoritmo de entrenamiento que proporciona retroalimentación continua en tiempo real, superando a los métodos tradicionales de procesamiento de datos por lotes que lograron una precisión del 91,4 %.
El diseño del sistema presenta una red autoorganizada de nanocables en electrodos, con memoria y capacidades de procesamiento entrelazadas, a diferencia de las computadoras tradicionales con módulos discretos.
Este avance en la informática inspirada en el cerebro podría revolucionar las aplicaciones de IA, al requerir menos energía y sobresalir en el análisis de datos complejos.
Hechos clave:
- El sistema de red de nanocables demostró capacidades de aprendizaje superiores y logró una precisión del 93,4 % en la identificación de dígitos escritos a mano.
- El algoritmo de entrenamiento único del sistema y el almacenamiento de memoria dentro de su arquitectura física lo distinguen de los métodos informáticos tradicionales.
- Esta tecnología demuestra el potencial de las aplicaciones de IA energéticamente eficientes capaces de procesar datos complejos y sofisticados en tiempo real.
fuente: Universidad de California
Un sistema informático experimental modelado a partir de un cerebro biológico en realidad «aprende» a identificar números escritos a mano con una precisión general del 93,4%.
La principal innovación del experimento fue un nuevo algoritmo de entrenamiento que proporcionaba al sistema información continua sobre su éxito en la tarea en tiempo real mientras estaba aprendiendo.
El algoritmo superó un enfoque tradicional de aprendizaje automático en el que el entrenamiento se realizaba después de procesar un conjunto de datos, lo que dio como resultado una precisión del 91,4%. Los investigadores también demostraron que la memoria de entradas anteriores almacenadas en el propio sistema mejora el aprendizaje. Por el contrario, otros métodos informáticos almacenan la memoria dentro de un software o hardware independiente del procesador del dispositivo.
fondo
A lo largo de 15 años, investigadores del Instituto NanoSystems de California de la Universidad de California, Los Ángeles, o CNSI, han desarrollado una nueva tecnología de plataforma informática. La tecnología es un sistema inspirado en el cerebro que consiste en una red enredada de cables que contienen plata, colocados sobre un lecho de electrodos.
El sistema recibe entradas y produce salidas mediante impulsos eléctricos. Los cables individuales son tan pequeños que su diámetro se mide en la nanoescala, una milmillonésima de metro.
Los «pequeños cerebros plateados» son muy diferentes de las computadoras actuales, que tienen memoria discreta y unidades de procesamiento hechas de átomos cuyas posiciones no cambian cuando los electrones fluyen a través de ellos.
Por el contrario, la red de nanocables se remodela físicamente en respuesta a estímulos, y la memoria se basa en su estructura atómica y se extiende por todo el sistema. Cuando los cables se superponen, se pueden formar o romper conexiones, lo cual es similar al comportamiento de las sinapsis en un cerebro biológico donde las neuronas se comunican entre sí.
Los colaboradores de la investigación de la Universidad de Sydney han desarrollado un algoritmo simplificado para proporcionar información e interpretar la salida. El algoritmo está personalizado para explotar la capacidad similar al cerebro del sistema para cambiar dinámicamente y procesar múltiples flujos de datos simultáneamente.
camino
El sistema similar al cerebro consiste en un material que contiene plata y selenio, al que se le ha permitido autoorganizarse en una red de nanocables enredados sobre una serie de 16 electrodos. Los científicos entrenaron y probaron la red de nanocables utilizando imágenes de números escritos a mano, un conjunto de datos creado por el Instituto Nacional de Estándares y Tecnología que a menudo se utiliza para comparar sistemas de aprendizaje automático.
Las imágenes se enviaron al sistema píxel a píxel utilizando pulsos de electricidad que duraban cada uno un milisegundo, con diferentes voltajes representando píxeles claros u oscuros.
impacto
Se espera que la red de nanocables, que aún está en desarrollo, requiera mucha menos energía que los sistemas de inteligencia artificial basados en silicio para realizar tareas similares. La red también se muestra prometedora en tareas que la IA actual tiene dificultades para realizar: comprender datos complejos, como patrones climáticos, tráfico y otros sistemas que cambian con el tiempo. Para ello, la IA actual requiere enormes cantidades de datos de entrenamiento y un gasto energético muy elevado.
Con el tipo de codiseño utilizado en este estudio (hardware y software desarrollados uno al lado del otro), las redes de nanocables pueden eventualmente desempeñar un papel complementario junto con los dispositivos electrónicos basados en silicio.
La memoria y el procesamiento similares al cerebro integrados en sistemas físicos que son capaces de adaptarse y aprender continuamente pueden ser particularmente adecuados para la llamada “computación de borde”, que procesa datos complejos instantáneamente sin la necesidad de conectarse a servidores remotos.
Los usos potenciales incluyen robótica, navegación autónoma en máquinas como vehículos y drones, y tecnología de dispositivos inteligentes que conforma el Internet de las cosas, así como monitoreo de la salud y coordinación de mediciones desde sensores en múltiples ubicaciones.
Autores
Los autores correspondientes del estudio son James Gimzewski, profesor distinguido de química en UCLA y miembro del CNSI; Adam Steg, científico investigador de UCLA y director asociado del Centro CNSI; Zdenka Koncic, profesora de Física de la Universidad de Sydney; y Rumin Zhou, estudiante de doctorado de la Universidad de Sydney, también es el primer autor. Otros coautores son Sam Lilac, que recibió su doctorado en UCLA en 2022; y Alon Loeffler y Joseph Lizer de la Universidad de Sydney.
Finanzas
Este estudio fue apoyado por la Universidad de Sydney y la Comisión Fulbright australiano-estadounidense.
Acerca de las noticias sobre investigación en neurociencia computacional
autor: Nicole Wilkins
fuente: Universidad de California
comunicación: Nicole Wilkins – Universidad de California
imagen: Imagen acreditada a Neuroscience News.
Búsqueda original: Acceso abierto.
«Aprendizaje dinámico en línea y memoria secuencial mediante redes de nanocables neuronales“Por James Gemzewski et al. Comunicaciones de la naturaleza
un resumen
Aprendizaje dinámico en línea y memoria secuencial mediante redes de nanocables neuronales
Las redes de nanocables (NWN) pertenecen a una clase emergente de sistemas neuronales que explotan las propiedades físicas únicas de los materiales nanoestructurados. Además de su estructura física similar a una red neuronal, los NWN también exhiben conmutación de memoria resistiva en respuesta a la entrada eléctrica debido a cambios similares a las sinapsis en la conductancia en las uniones de puntos de cruce entre nanocables y nanocables.
Estudios anteriores han demostrado cómo la dinámica neuromórfica generada por las NWN se puede aprovechar en tareas de aprendizaje temporal.
Este estudio amplía aún más estos hallazgos al demostrar el aprendizaje en línea de características espaciotemporales dinámicas mediante la clasificación de imágenes y tareas de recuperación de memoria en serie aplicadas al dispositivo NWN.
Aplicado a la tarea de clasificación de dígitos escritos a mano del MNIST, el aprendizaje dinámico en línea utilizando el dispositivo NWN logra una precisión general del 93,4 %.
Además, encontramos una relación entre la precisión de la clasificación para categorías de números impares y la información mutua. La tarea de memoria de secuencia revela cómo los patrones de memoria integrados en características dinámicas permiten el aprendizaje en línea y la recuperación de un patrón de secuencia espaciotemporal.
En general, estos resultados proporcionan una prueba de concepto para el aprendizaje en línea de la dinámica espaciotemporal utilizando NWN y demuestran cómo la memoria puede mejorar el aprendizaje.
«Experto en la web. Fanático de la cerveza exasperantemente humilde. Fanático del tocino. Creador típico. Experto en música».
More Stories
¿Cómo se hicieron los agujeros negros tan grandes y rápidos? La respuesta está en la oscuridad.
Una vaca marina prehistórica fue devorada por un cocodrilo y un tiburón, según los fósiles
El lanzamiento del cohete Falcon 9 de SpaceX se ha detenido a medida que se acercan dos importantes misiones de vuelos espaciales tripulados.