En particular, la sinapsis artificial está destinada a usarse en el aprendizaje profundo analógico, un enfoque para el progreso de la IA que mejora las velocidades y reduce el uso de energía, lo cual es importante para la asequibilidad, así como para las demandas de los recursos naturales del planeta.
La clave de las mejoras significativas en esta última resistencia es el uso de un material inorgánico especialmente seleccionado y eficiente. El equipo detrás del proyecto dice que las ganancias en las velocidades de aprendizaje de la red neuronal de IA prometen ser importantes.
«Una vez que tenga un procesador analógico, ya no estará entrenando las redes en las que todos los demás están trabajando», dice el científico informático Murat Onen del Instituto de Tecnología de Massachusetts (MIT).
«Entrenará redes con complejidades sin precedentes que nadie más puede permitirse y, por lo tanto, las superará ampliamente a todas. En otras palabras, este no es un automóvil más rápido, es una nave espacial».
El material inorgánico en cuestión se basa en vidrio de fosfosilicato (PSG), dióxido de silicio con fósforo añadido. Utilizado como electrolito sólido en la resistencia, sus poros a nanoescala permiten que los protones pasen a través de él a velocidades nunca antes vistas cuando se aplican pulsos de 10 voltios a la configuración.
Aún mejor, PSG se puede fabricar utilizando las mismas técnicas de fabricación que se implementan para hacer circuitos de silicio. Esto debería facilitar la integración en los procesos de producción existentes sin un gran aumento en los costos.
En el cerebro, las sinapsis se fortalecen o debilitan para controlar el flujo de señales y otra información. Aquí, controlar el movimiento de los protones para afectar la conductancia eléctrica tiene el mismo efecto. Es rápido, confiable y puede funcionar a temperatura ambiente, lo que lo hace más práctico también.
«La velocidad ciertamente fue sorprendente», dice Onen.
«Normalmente, no aplicaríamos campos tan extremos en los dispositivos para no convertirlos en cenizas. Pero, en cambio, los protones terminaron viajando a velocidades inmensas a través de la pila de dispositivos, específicamente un millón de veces más rápido en comparación con lo que teníamos antes».
«Y este movimiento no daña nada, gracias al pequeño tamaño y la poca masa de los protones. Es casi como teletransportarse».
El enorme potencial aquí es para un entrenamiento de IA mucho más rápido usando menos energía. Para crear una red neuronal funcional, las resistencias se apilarían juntas en matrices de estilo tablero de ajedrez, que se pueden operar en paralelo para mejorar las velocidades.
El resultado final se vería en los sistemas de IA que asumen tareas como identificar qué hay en las imágenes o procesar comandos de voz naturales.
Cualquier cosa en la que la inteligencia artificial tenga que aprender mediante el análisis de grandes cantidades de datos podría mejorarse. Eso se extiende a campos como los autos sin conductor y el análisis de imágenes médicas también.
El estudio adicional permitirá que estas resistencias se integren en sistemas reales y superen los cuellos de botella de rendimiento potenciales que actualmente limitan el voltaje que se puede aplicar.
«El camino a seguir seguirá siendo muy desafiante, pero al mismo tiempo es muy emocionante», dice el científico informático y autor del estudio Jesús del Álamo , del MIT.
Thank you very much for sharing. Your article was very helpful for me to build a paper on gate.io. After reading your article, I think the idea is very good and the creative techniques are also very innovative. However, I have some different opinions, and I will continue to follow your reply.
I don’t think the title of your article matches the content lol. Just kidding, mainly because I had some doubts after reading the article.