No es ningún secreto que el campo de la computación es uno de los que mayor transformación y/o revolución ha enfrentado en los últimos años. La cada vez más avanzada tecnología y la inclusión de procesos propios de la inteligencia artificial ha permitido la creación de dispositivos más potentes y eficientes desde donde se desarrollan mundos virtuales, aplicaciones y sistemas que ayudan en la solución de grandes problemas; esto sucede, por ejemplo, con la computación cuántica, la computación biológica o la computación neuromórfica, la cuál será la protagonista de este artículo de Futuro Eléctrico.
Tabla de contenidos
¿Qué es la computación neuromórfica?
La computación neuromórfica es uno de los métodos de la ingeniería informática que tiene como objetivo el emular el comportamiento del sistema nervioso animal y, particularmente, aquellas características del sistema cerebral, a través del diseño de elementos informáticos de software y hardware.
Teniendo en cuenta lo anterior, el propósito de esta disciplina se concentra en dos líneas principales: la primera de ellas es el desarrollo de sistemas electrónicos capaces de aprender, retener y deducir lógicamente ─tal como lo hace un cerebro humano─; la segunda busca ser más investigativa, ya que apela por adquirir nueva información sobre cómo funciona el cerebro humano.
El origen de esta disciplina se remonta a los años 60, cuando Carver Mead ─un ingeniero eléctrico estadounidense─ comenzó a diseñar algoritmos y sistemas que fueran capaces de emular el sistema nervioso animal. Luego de dos décadas de experimentación, los grupos de investigación comenzaron a prestar atención en este avance, el cual partía de entender a los transistores como dispositivos analógicos y no como conmutadores digitales; esto permitió identificar que los transistores se comunicaban de una manera muy parecida a como lo hacen las neuronas, es decir, mediante impulsos eléctricos o sinapsis neuronal.
Esta computación integra elementos y perspectivas de varios campos de acción, como la informática, la biología, la ingeniería electrónica, la física y, por supuesto, las matemáticas.
¿Qué son los computadores neuromórficos?
Ahora bien, para que esta disciplina logre sus objetivos necesita de dispositivos eficientes y supremamente potentes que vayan mucho más allá del alcance de los computadores tradicionales. Esto es lo que se espera, entonces, de la computadora neuromórfica, cuyo desarrollo está marcado por la implementación de tecnologías como el Deep Learning y el Machine Learning.
Los dispositivos desarrollados por la computación neuromórfica incorporan diversas unidades funcionales que trabajan simultáneamente, con el fin de resolver un problema grande descompuesto en múltiples problemas pequeños. Esto implica necesariamente el uso de chips neuronales que funcionan como lo haría la sinapsis neuronal biológica y que incorporan la memoria y el procesamiento juntos en cada una de las neuronas artificiales, en vez de mantenerlos en áreas separadas. A esto se le conoce como la Red Neuronal de Picos (SNN) y facilita que cada neurona artificial pueda realizar un procesamiento, dependiendo de la tarea asignada.
De esta manera, el computador neuromórfico es capaz de procesar la información de una forma más eficiente y con un menor uso de energía, aspirando así a alcanzar los estándares de un cerebro orgánico.
Entre las características esenciales de estos dispositivos vale resaltar que funcionan a través de sistemas masivamente paralelos, lo que posibilita la realización de múltiples tareas; tienen altos niveles de adaptabilidad y flexibilidad; son capaces de generalizar y cuentan con una alta resistencia a fallos; se impulsan por eventos, es decir, que su funcionamiento varía de acuerdo con el contexto y, por último, son eficientes energéticamente.
Aplicaciones de la computación neuromórfica
Debido a su alta capacidad para resolver diferentes tipos de problemas, dando una gran cantidad de soluciones en muy poco tiempo, la computación neuromórfica contribuye al desarrollo de diferentes campos y disciplinas, entre los que vale resaltar:
Inteligencia artificial y aprendizaje automático
Mediante la implementación de algoritmos neuromórficos se puede inferir nuevas dosis de conocimiento partiendo de un conjunto potencialmente infinito de datos, lo que sería muy útil para herramientas predictivas y de reconocimiento, como los motores de búsqueda.
Además, este tipo de computación supone un nuevo paso hacia la inteligencia artificial general ya que facilitará el desarrollo de dispositivos basados en redes neuronales que no solo resuelvan una serie de problemas, sino que piensen, razonen y se comuniquen tal y como lo haría un ser humano.
Reconocimiento de patrones
Otra de las grandes aplicaciones de la computación neuromórfica se relaciona con la selección de ciertos modelos heterogéneos partiendo de la semejanza de estos con modelos de referencia. Esto puede resultar muy útil, por ejemplo, para el reconocimiento de datos biométricos.
Procesamiento de datos
Es una de las herramientas ideales para procesar y analizar gran cantidad de información ya que sus sistemas están diseñados para procesar datos no estructurados y ruidosos, es decir, información propia de la vida real. Esta es, además, una de las grandes diferencias con los computadores tradicionales.
Potenciales usos en medicina
Las redes neuronales ayudan en el análisis de datos de los pacientes así como en la identificación de patrones en su historial, logrando tratamientos que se adapten mejor a sus necesidades. Este tipo de tecnología se ha utilizado para diagnosticar enfermedades como el cáncer, los problemas cardiacos o la diabetes. Además, gracias al uso de la IA, facilita la automatización de tareas médicas (análisis de imágenes, los escaneos y la personalización del servicio).
Robótica
Este tipo de computación ha ayudado a dar a los robots humanoides un comportamiento mucho más realista que les permita responder de mejor manera a su entorno y desarrollar una interacción más efectiva con los humanos; se espera que esta tecnología cree robots más inteligentes que puedan aprender de sus experiencias y tomar mejores decisiones.
De la mano con esto, el procesamiento de datos y la precisión de algoritmos de reconocimiento mejoran la capacidad de los robots para reconocer expresiones faciales y emociones.
Computadoras clásicas vs. computadoras neuromórficas
Antes de ahondar en las diferencias clave entre la computación neuromórfica y la computación clásica es importante mencionar que el propósito de los dispositivos neuromórficos no es reemplazar al computador como todos los conocemos, más bien, deben entenderse como paradigmas que pueden convivir, ya que cada uno de ellos se destina a un determinado abanico de problemas.
Sin embargo, uno de los grandes desafíos de la computación tradicional es que esta se puede comportar de manera ineficiente en ciertas situaciones, lo que implica la necesidad de sistemas de refuerzo más resistentes a daños o complejidades. De ahí que la primera diferencia parta del hecho de que los chips neuromórficos procesen la información a través de la recreación de una sinapsis artificial que intercambia señales eléctricas con diferentes intensidades. En cambio, la computación tradicional actúa sobre señales binarias o digitales que intercambian datos en una secuencia lineal, lo que implica que no sean masivamente paralelas.
De la mano con lo anterior, otra desigualdad entre estas dos se vincula a los niveles de capacidad de los sistemas, teniendo en cuenta que las redes analógicas son más ricas que una digital; además y cómo ya se mencionó, las computadoras neuromórficas tienen un menor consumo energético debido a que el procesamiento y la memoria funcionan como un todo, lo que evita que se pierda tiempo y energía en el envío de datos.
Computación neuromórfica y computación cuántica: diferencias principales
Ya hemos hablado de las principales desigualdades con la computación tradicional, ¿pero cuáles son las que la separan de la computación cuántica? Entre estas vale mencionar:
- Las bases del funcionamiento. La computación cuántica basa su desarrollo en los principios de la física cuántica, a diferencia de lo que sucede con las computadoras neuromórficas, las cuales se concentran en la estructura y funcionamiento del cerebro.
- Procesamiento de información. La computación cuántica procesa los datos mediante el uso de bits cuánticos (los cuales se pueden encontrar en 0 y 1 a la vez). En cambio, la neuromórfica lo hace a través de chips y redes neuronales artificiales estructuradas en múltiples capas.
- Enfoque en problemas diferentes. Por otro lado, la computación neuromórfica se concentra en potenciar la solución a problemas enfocados en el aprendizaje automático y la inteligencia artificial, mientras que la cuántica aborda problemas de cifrado, optimización y simulación de procesos, así como la solución de problemas matemáticos.
- Forma de computación. Otra gran diferencia entre estas dos es que el computador cuántico sigue funcionando a través de estructuras informáticas digitales ─aunque más potentes que las de las computadoras tradicionales─. Los dispositivos neuromórficos, por su parte, funcionan gracias a la computación analógica.
- Consumo energético. Al igual que como sucede frente a los ordenadores tradicionales, aquellos neuromórficos presentan un menor consumo energético que el de las computadoras cuánticas.
Desafíos y retos de la computación neuromórfica
A pesar de todo lo anterior, es importante resaltar que la computación neuromórfica es un campo emergente que aún se encuentra en investigación, lo que supone que aún hay pocos ejemplos prácticos al respecto.
Esto sucede debido a que esta tecnología sigue enfrentando importantes desafíos, como, por ejemplo, la carencia de ingenieros y desarrolladores de software que realmente se interesen en poner en producción los sistemas neuromórficos. Esto debido a que sigue siendo muy difícil que los expertos en computación le apuesten a sistemas tan arriesgados y salidos del marco de trabajo tradicional.
Por otro lado, para lograr desarrollar un chip neuronal artificial verdaderamente funcional es indispensable crear un conjunto de API, modelos de programación y lenguajes que, más allá de ser eficientes, sean realmente accesibles para aquellas personas que no son expertas. Un reto que, desde ninguna perspectiva, tiene una solución sencilla.
Finalmente, aunque no menos importante, aún hace falta el desarrollo de técnicas eficientes de evaluación y medición del rendimiento de las nuevas arquitecturas, lo cual dificulta significativamente el identificar las fallas principales y, mucho menos, las soluciones necesarias.
Ejemplos de computación neuromórfica
Sí, a la computación neuromórfica aún le queda un largo camino por recorrer, empero en la actualidad podemos verla reflejada en ejemplos sorprendentes de aplicación, como lo son:
Chip Tianjic
Este es sin duda uno de los ejemplos de computación neuromórfica más reconocidos. Se trata de un chip que se utilizó en una bicicleta autónoma. La herramienta alcanzó a contener, aproximadamente, 40.000 neuronas artificiales y más de 10 millones de sinapsis en una sola área. Lo anterior permitió comprobar que el chip se desempeñaba por lo menos 100 veces más rápido que una GPU tradicional y con un consumo 10.000 veces menor en energía. Sin embargo, se consideró que este chip tenía un alcance limitado, teniendo en cuenta que el cerebro humano contiene un poco más de 100.000 millones de neuronas.
Chip TrueNorth de IBM
Por su parte, IBM también ha demostrado avances importantes en el campo, como lo es el hardware neuromórfico TrueNorth. Este chip se empezó a trabajar desde principios de la época pasada; de hecho, para 2014, ya contaba con un prototipo funcional.
El chip se conforma por 4096 núcleos y se conecta con una red de varios procesadores que buscan emular un sistema de más de un millón de neuronas y con un alcance de, por lo menos, 256 millones de sinapsis.
Chip Loihi de Intel
Intel tampoco se ha quedado atrás en el propósito. En este chip se incorporan 138 núcleos y, aproximadamente, 130.000 neuronas artificiales.
Entre las características más relevantes de esta tecnología vale mencionar que cada una de sus neuronas tiene la capacidad de comunicarse con las miles de neuronas que se encuentran a su alrededor, permitiendo emular la red neuronal cerebral de una manera mucho más precisa.
Gracias a él, se espera crear sistemas que se adapten a cargas de trabajo mucho más altas, así como a procesos considerablemente más exigentes.
En la actualidad, Intel avanza en el desarrollo del chip Loihi 2, en el cual se presentan importantes mejoras en velocidad, programabilidad y capacidad de procesamiento. Esto debido a que su nueva estructura tendría la capacidad de admitir nuevas clases de algoritmos, así como aplicaciones neuroinspiradas. Además, se ejecuta a través de un framework abierto, modular y mucho más flexible.
El futuro de la computación neuromórfica
El futuro de la computación neuromórfica parece bastante provechoso. Cada día hay un interés creciente de empresas y compañías por iniciar investigaciones en el campo y poder, así, desarrollar sistemas más potentes que abarquen toda clase de problemas. Ejemplo de ello son las primeras aplicaciones comerciales, como la desarrollada por HP.
Esta compañía ha presentado una nueva plataforma de software conocida como Cognitive Computing Toolkit. La plataforma funciona bajo una forma de código abierto que permite escribir nuevos códigos de aplicaciones recurriendo, claro, a algoritmos neuromórficos. La funcionalidad de la herramienta se comprobó con la exhibición de una aplicación de monitoreo en tiempo real de 25 emisiones de video simultáneas. El ejercicio permitió identificar un logotipo concreto en todas ellas. Este es un paso importante para, por ejemplo, el monitoreo de las emisiones de las cadenas de televisión o el análisis de imágenes y anuncios.
Por otro lado, en Australia, un grupo de investigadores desarrolló un nuevo superordenador: DeepSouth. Esta sería el primer ordenador capaz de simular la capacidad y velocidad de procesamiento de un cerebro humano, ya que puede emular más de 228 billones de conexiones por segundo, pareciendo tener una capacidad mayor a la del mismo cerebro.
Palabras finales
A modo de conclusión es necesario resaltar que la computación neuromórfica continuará avanzando en los próximos años, con el único objetivo de crear sistemas que puedan superar los limitantes de la computación tradicional y resolver tareas altamente complicadas de manera más eficiente, recabando siempre en los misterios más complejos de la naturaleza humana.