Estás leyendo la publicación: La electricidad ayuda a encontrar materiales que pueden “aprender”
Un equipo de científicos del Laboratorio Nacional de Argonne pudo observar un comportamiento imitador de material no vivo asociado con el aprendizaje, que dicen que puede conducir a mejores sistemas de inteligencia artificial (IA).
El artículo que describe el estudio fue publicado en Sistemas Inteligentes Avanzados.
El grupo tiene como objetivo desarrollar la próxima generación de supercomputadoras y busca inspiración en el cerebro humano.
Materiales no biológicos con comportamientos de aprendizaje
Los investigadores que buscan hacer computadoras inspiradas en el cerebro a menudo recurren a materiales no biológicos que insinúan que podrían adoptar comportamientos similares al aprendizaje. Estos materiales podrían usarse para construir hardware que podría combinarse con nuevos algoritmos de software, lo que permitiría una IA más eficiente desde el punto de vista energético.
El nuevo estudio fue dirigido por científicos de la Universidad de Purdue. Expusieron óxido de níquel deficiente en oxígeno a breves pulsos eléctricos y provocaron dos respuestas eléctricas diferentes similares al aprendizaje. Según el profesor de la Universidad de Rutgers, Shriram Ramanathan, que era profesor en la Universidad de Purdue en el momento del trabajo, idearon un sistema totalmente eléctrico que demostraba comportamientos de aprendizaje.
El equipo de investigación se basó en los recursos de Advanced Photon Source (APS), una instalación de la Oficina de Ciencias del Departamento de Energía de EE. UU. (DOE) en el Laboratorio Nacional Argonne del DOE.
Habituación y Sensibilización
La primera respuesta que se produce es la habituación, que tiene lugar cuando el material se acostumbra a ser ligeramente zapeado. Aunque la resistencia del material aumenta después de una sacudida inicial, los investigadores notaron que se acostumbra al estímulo eléctrico.
Fanny Rodolakis es física y científica de línea de luz en APS.
“La habituación es como lo que sucede cuando vives cerca de un aeropuerto”, dice Rodolakis. “El día que te mudas, piensas ‘qué escándalo’, pero al final ya casi no te das cuenta”.
La segunda respuesta que muestra el material es la sensibilización, que se produce cuando se administra una mayor dosis de electricidad.
“Con un estímulo mayor, la respuesta del material crece en lugar de disminuir con el tiempo”, dice Rodolakis. “Es como ver una película de miedo y luego que alguien diga ‘¡buu!’ desde detrás de una esquina, lo ves realmente saltar”.
“Casi todos los organismos vivos demuestran estas dos características”, continúa Ramanathan. “Realmente son un aspecto fundamental de la inteligencia”.
Los dos comportamientos están controlados por las interacciones cuánticas que tienen lugar entre los electrones. Estas interacciones no pueden ser descritas por la física clásica y juegan un papel en la formación de la base para una transición de fase en el material.
“Un ejemplo de una transición de fase es un líquido que se vuelve sólido”, dice Rodolakis. “El material que estamos viendo está justo en el límite, y las interacciones que compiten entre sí que tienen lugar a nivel electrónico pueden inclinarse fácilmente hacia un lado u otro mediante pequeños estímulos”.
Según Ramanathan, es fundamental contar con un sistema que pueda controlarse completamente mediante señales eléctricas.
“Ser capaz de manipular materiales de esta manera permitirá que el hardware asuma parte de la responsabilidad de la inteligencia”, dice. “El uso de propiedades cuánticas para incorporar inteligencia al hardware representa un paso clave hacia la computación energéticamente eficiente”.
Superando el dilema de estabilidad-plasticidad
Los científicos pueden utilizar la diferencia entre habituación y sensibilización para superar el dilema estabilidad-plasticidad, que es un gran desafío en el desarrollo de la IA. Los algoritmos a menudo tienen dificultades para adaptarse a la nueva información y, cuando lo hacen, a menudo olvidan algunas de sus experiencias previas o lo que han aprendido. Si los científicos crean un material que puede habituarse, pueden enseñarle a ignorar u olvidar información innecesaria y lograr una estabilidad adicional. Por otro lado, la sensibilización podría entrenar al sistema para recordar e incorporar nueva información, lo que permite la plasticidad.
“La IA a menudo tiene dificultades para aprender y almacenar nueva información sin sobrescribir la información que ya se ha almacenado”, dice Rodolakis. “Demasiada estabilidad impide que la IA aprenda, pero demasiada plasticidad puede provocar un olvido catastrófico”.
Según el equipo, una de las grandes ventajas del nuevo estudio involucró el pequeño tamaño del dispositivo de óxido de níquel.
“Este tipo de aprendizaje no se había realizado anteriormente en la generación actual de electrónica sin una gran cantidad de transistores”, explica Rodolakis. “El sistema de unión única es el sistema más pequeño hasta la fecha que muestra estas propiedades, lo que tiene grandes implicaciones para el posible desarrollo de circuitos neuromórficos”.
