Investigadores del Centro de Nanotecnologías Integradas (CINT) del Laboratorio de Los Álamos publicaron recientemente detalles de un dispositivo informático neuromórfico que imita el comportamiento de una sinapsis neuronal. ¿El resultado? Informática que logró una precisión del 94,72 % en el reconocimiento de números escritos a mano.
El dispositivo es un memristor de tipo interfaz hecho de titanato de estroncio dopado con oro/niobio, todo en una estructura Schottky (Au/Nb:STO). La resistencia analógica del dispositivo se puede controlar a través de la interfaz de memristor y, con estos materiales, los parámetros de la barrera de Schottky, como la polaridad y la magnitud del voltaje, se pueden cambiar para modificar la conductancia del dispositivo.
Imagen utilizada por cortesía del Centro Integrado de Nanotecnología
Los memristores son una tecnología prometedora en la computación neuromórfica, ya que pueden programarse y «recordarse» incluso cuando están apagados. Esto imita la «plasticidad sináptica», que es una base importante en la memoria y el aprendizaje en el cerebro. Permite que las sinapsis se fortalezcan o debiliten según su actividad y está controlado por receptores de neurotransmisores en la sinapsis.
Además de la plasticidad sináptica, el prototipo de los investigadores también puede imitar otras funciones sinápticas, como la facilitación del pulso acoplado, la potenciación y depresión a corto plazo, la potenciación y depresión a largo plazo y la plasticidad dependiente del tiempo de pico. El equipo de Los Alamos plantea la hipótesis de que su nuevo dispositivo podría eludir los desafíos tradicionales de cuello de botella de von Neumann.
Resolviendo el cuello de botella de von Neumann
El cuello de botella de von Neumann describe un problema en la arquitectura informática clásica donde el procesamiento y la memoria están separados. Para enviar información a la unidad de procesamiento central (CPU) o la unidad de procesamiento de gráficos (GPU) de una computadora, los datos deben leerse de la memoria y luego transferirse a través de un bus de datos.
El cuello de botella se produce durante esta transferencia de datos. Los investigadores han realizado importantes esfuerzos a lo largo de los años para minimizar este cuello de botella, utilizando estrategias como la captación previa, la ejecución especulativa o el almacenamiento en caché. Sin embargo, las velocidades de los datos todavía están limitadas hasta cierto punto, lo que puede ser un desafío cuando es necesario transferir y procesar conjuntos de datos como imágenes o videos.
Esta transferencia de datos consume mucha energía; En un mundo donde los centros de datos se utilizan para aplicaciones como el aprendizaje automático, el consumo de energía también es una preocupación creciente tanto por el costo como por el impacto ambiental.
Los dispositivos Memristor como el ideado por CINT tienen el potencial de realizar tanto el procesamiento como el almacenamiento de datos en el mismo dispositivo físico, lo que no solo supera el cuello de botella de la transferencia de datos, sino que también puede reducir el consumo de energía.
Significado de los resultados del MNIST
El conjunto de datos de dígitos escritos a mano de los Estándares Nacionales y Tecnología Modificados (MNSIT) se usa a menudo como punto de referencia para el aprendizaje automático y el rendimiento de la clasificación de imágenes. El conjunto de datos contiene una colección de números escritos a mano en escala de grises de 28 x 28 del 0 al 9.
Resultados de rendimiento del dispositivo memristor de tipo interfaz. Imagen utilizada por cortesía del Centro Integrado de Nanotecnología
El equipo de CINT usó un Crossbar Simulator para construir una red neuronal de tres capas y la entrenó usando retropropagación en 25 épocas usando las funciones sinápticas de potenciación a largo plazo y depresión a largo plazo. La simulación logró una precisión de predicción del 94,72%. Los investigadores dicen que esto es superior a otras arquitecturas de memristor candidatas, como los memristores de tipo filamento conductor.
Los puntos de referencia de hoy están en el rango de precisión de ~ 99.8%. Sin embargo, los resultados de CINT del 94,72 % siguen siendo notables teniendo en cuenta que este dispositivo se encuentra en sus primeras etapas de investigación.