Uso de la electricidad para encontrar materiales que puedan aprender

May 04, 2023

Los científicos que buscan crear una nueva generación de supercomputadoras buscan inspiración en la computadora más compleja y energéticamente eficiente jamás construida: el cerebro humano.

En algunas de sus incursiones iniciales en la fabricación de computadoras inspiradas en el cerebro, los investigadores están buscando diferentes materiales no biológicos cuyas propiedades podrían adaptarse para mostrar evidencia de comportamientos similares al aprendizaje. Estos materiales podrían formar la base para hardware que podría combinarse con nuevos algoritmos de software para permitir una inteligencia artificial (IA) más potente, útil y energéticamente eficiente.

En un nuevo estudio Dirigidos por científicos de la Universidad de Purdue, los investigadores expusieron óxido de níquel deficiente en oxígeno a pulsos eléctricos breves y provocaron dos respuestas eléctricas diferentes que son similares al aprendizaje. El resultado es un sistema totalmente eléctrico que muestra estos comportamientos de aprendizaje, dijo el profesor de la Universidad de Rutgers, Shriram Ramanathan. (Ramanathan era profesor en la Universidad de Purdue en el momento de este trabajo). El equipo de investigación utilizó los recursos de Advanced Photon Source (APS), una instalación para usuarios de la Oficina de Ciencias del Departamento de Energía de EE. UU. (DOE) en el Laboratorio Nacional Argonne del DOE.

La primera respuesta, la habituación, ocurre cuando el material "se acostumbra" a ser ligeramente zapeado. Los científicos notaron que aunque la resistencia del material aumenta después de una sacudida inicial, pronto se acostumbra al estímulo eléctrico. "La habituación es como lo que sucede cuando vives cerca de un aeropuerto", dijo Fanny Rodolakis, física y científica de línea de luz en APS. "El día que te mudas, piensas 'qué escándalo', pero finalmente ya casi no te das cuenta".

La otra respuesta que muestra el material, la sensibilización, 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", dijo 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", dijo Ramanathan. "Realmente son un aspecto fundamental de la inteligencia".

Estos dos comportamientos están controlados por interacciones cuánticas entre electrones que no pueden ser descritas por la física clásica y que ayudan a formar la base para una transición de fase en el material. "Un ejemplo de una transición de fase es un líquido que se vuelve sólido", dijo 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".

Tener un sistema que pueda ser completamente controlado por señales eléctricas es esencial para las aplicaciones informáticas inspiradas en el cerebro, dijo Ramanathan. "Ser capaz de manipular materiales de esta manera permitirá que el hardware asuma parte de la responsabilidad de la inteligencia", explicó. "El uso de propiedades cuánticas para incorporar inteligencia al hardware representa un paso clave hacia la computación energéticamente eficiente".

La diferencia entre habituación y sensibilización puede ayudar a los científicos a superar un desafío en el desarrollo de la IA llamado dilema estabilidad-plasticidad. Los algoritmos de inteligencia artificial a menudo pueden ser, por un lado, demasiado reacios a adaptarse a la nueva información. Pero por otro lado, cuando lo hacen, a menudo pueden olvidar algo de lo que ya han aprendido. Al crear un material que pueda habituarse, los científicos pueden enseñarle a ignorar u olvidar información innecesaria y, por lo tanto, lograr una estabilidad adicional, mientras que la sensibilización podría entrenarlo 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", dijo Rodolakis. "Demasiada estabilidad impide que la IA aprenda, pero demasiada plasticidad puede provocar un olvido catastrófico".

Una de las principales 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", dijo Rodolakis. "Este 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".

Para detectar la dinámica a escala atómica responsable de los comportamientos de habituación y sensibilización, Rodolakis y Hua Zhou de Argonne utilizaron espectroscopia de absorción de rayos X en las líneas de luz 29-ID-D y 33-ID-D del APS.

- Este comunicado de prensa se publicó originalmente en el sitio web del Laboratorio Nacional de Argonne