Imitando cómo opera el cerebro, la computación neuromórfica puede usar dramáticamente menos energía que los chips electrónicos de IA convencionales. Sin embargo, incluso los dispositivos neuromórficos más sofisticados de hoy siguen siendo bastante simples, usando solo una pequeña fracción del número de conexiones que se encuentran en las neuronas humanas. Ahora, un nuevo estudio sugiere que usando ondas de sonido, los dispositivos neuromórficos pueden imitar mejor a las neuronas biológicas y operar más rápido y con mayor eficiencia energética que sus contrapartes electrónicas.

"Esto podría hacer que el hardware neuromórfico del futuro sea más compacto, más paralelo y más eficiente para tareas que requieren combinar muchas características, como reconocimiento de patrones, procesamiento sensorial y análisis de datos", dijo Xiaodong Yan, profesor asistente de ciencia e ingeniería de materiales e ingeniería eléctrica y de computación en la Universidad de Arizona en Tucson.

¿Por qué importan los acoplamientos cerebrales?

Así como el cerebro usa sinapsis, los enlaces que conectan neuronas, para computar y almacenar datos a la vez, los dispositivos neuromórficos suelen combinar ambas operaciones. Hacerlo reduce la energía y el tiempo que los microchips convencionales gastan moviendo datos entre procesadores y memoria.

Cada neurona humana puede tener miles de sinapsis conectándola con otras células; un tipo particular de neurona del cerebelo, la célula de Purkinje, puede llegar a tener hasta 100.000 sinapsis. Ese nivel extraordinario de conectividad permite a cada neurona humana, en palabras de Yan, "combinar distintas piezas de información, compararlas y responder según el contexto".

En contraste, la mayoría de los dispositivos neuromórficos convencionales son esencialmente "una sinapsis artificial", aclara Yan. Construir una neurona artificial con tantas sinapsis como una humana requeriría cablear muchos dispositivos separados entre sí. "Esto aumenta el cableado, el costo energético y la complejidad del hardware", dice.

¿Cómo entran las ondas de sonido en la ecuación?

Recientemente, los científicos desarrollaron dispositivos acústicos en los que las ondas de sonido pueden codificar múltiples valores en la fase de la onda. Estos bits de fase, o phi-bits, soportan a su vez compuertas lógicas similares a las cuánticas y computación paralela. Mientras que los bits convencionales solo simbolizan uno de dos dígitos (0 o 1) y requieren un componente físico separado por cada bit, los phi-bits representan múltiples variables y coexisten dentro de un mismo espacio.

Hay que ser claros: las operaciones sobre phi-bits no son cómputos cuánticos, sino análogos clásicos de sistemas de computación cuántica.

Ahora Yan y sus colegas construyeron una sinapsis acústica que contiene múltiples phi-bits. Esto habilita varias computaciones simultáneas de una manera relativamente simple, con menores requerimientos de energía comparados con la electrónica convencional. "La idea de traer física nueva para realizar de forma más eficiente computaciones complejas siempre es fascinante", dice Brad Aimone, investigador del Center for Computing Research en los Sandia National Laboratories en Albuquerque, Nuevo México, que no participó en el estudio.

¿Cómo se ve el dispositivo?

El dispositivo consiste en tres varillas de aluminio, cada una de aproximadamente 60 centímetros de largo y 1,25 centímetros de ancho, conectadas por pegamento epoxi. Los investigadores usaron una fina capa de miel para fijar transmisores y sensores ultrasónicos a los extremos de las varillas.

Yan y sus colegas codificaron un flujo de datos con ondas de sonido, incluyendo imágenes y etiquetas que identificaban a esas imágenes. Los transmisores ultrasónicos emitieron las ondas a través de las varillas, que interactúan acústicamente vía el epoxi. Los sensores ultrasónicos del dispositivo detectaron luego las señales acústicas resultantes de esas interacciones.

Los investigadores encontraron que podían modular la fase de los phi-bits de formas que imitan la capacidad de las sinapsis biológicas de fortalecerse o debilitarse en el tiempo, parte de la razón por la que los recuerdos duran o se desvanecen. Esta propiedad, llamada plasticidad sináptica, les permitió entrenar la sinapsis acústica para realizar un rango de tareas.

¿Cómo se compara con un chip electrónico?

En experimentos, los científicos probaron una sinapsis acústica topológica acoplada a tres neuronas digitales. Cuando se trató de clasificar 150 flores de iris en una de tres especies, el nuevo dispositivo superó a una red neuronal basada en chip convencional, llamada perceptrón multicapa (MLP). El dispositivo acústico, representando una única sinapsis simulada, alcanzó una precisión final del 96,7% usando solo 39 parámetros y llegó a su precisión máxima un 20% más rápido que el MLP. Para alcanzar precisión comparable, un MLP necesitaría nueve neuronas y aún más parámetros.

En total, los investigadores estimaron que el nuevo dispositivo consume a lo sumo una décima parte de la energía del hardware neuromórfico electrónico más avanzado actual. "Los sistemas neuromórficos del futuro pueden combinar dinámicas físicas de ondas con computación convencional para lograr un procesamiento de información más eficiente energéticamente", afirma Yan.

¿Pueden simular neuromoduladores?

Otro hallazgo del paper es que el dispositivo puede imitar la actividad de moléculas críticas conocidas como neuromoduladores. Sustancias como la dopamina o la serotonina "pueden hacer que una sinapsis sea más sensible, menos sensible, más rápida, más lenta, o cambiar cuán fuerte aprende", dice Yan. "Esa flexibilidad ayuda al cerebro a adaptarse a distintas condiciones, como atención, recompensa, estrés o estado de aprendizaje".

Una sinapsis biológica puede estar simultáneamente influenciada por hasta 10 neuromoduladores. Imitar la neuromodulación en hardware neuromórfico convencional es desafiante y suele requerir diseños dramáticamente más complejos. Los investigadores, en cambio, encontraron que con una sinapsis acústica basta con agregar una varilla extra para que el sistema imite varios procesos neuromodulatorios, desde respuestas rápidas (como los efectos de la dopamina sobre la fuerza sináptica durante el aprendizaje) hasta respuestas lentas y de largo plazo (como el estrés crónico).

"Los neuromoduladores le permiten al cerebro usar un único circuito para realizar funciones distintas según el contexto", dice Aimone. "Esto es distinto del modelo actual, donde tenés que tener redes neuronales diferentes para tareas diferentes. Así que en vez de una red neuronal enorme, podés tener redes más chicas que puedan usar el equivalente de neuromoduladores para autoajustarse a lo que esté pasando".

Los investigadores publicaron sus resultados el 12 de junio en la revista Science Advances.