Idean una nueva red neuronal artificial hecha en hardware capaz de aprender y ordenar datos como el cerebro humano

Junio 5, 2018 | Autor: neuromimeTICs

Los circuitos electrónicos del futuro serán capaces de autoorganizarse para ordenar la información de la misma manera que el cerebro humano. Son sistemas electrónicos neuromórficos, llamados así porque imitan al cerebro humano. Ahora, investigadores del grupo neuromimeTICs han propuesto una nueva red neuronal artificial de este tipo a partir de hardware, con componentes físicos como los memristores, capaz de emular la forma en que el cerebro procesa los estímulos sensoriales.

nerves-2926087_1280.jpg

Implementar un sistema electrónico de redes neuronales que imite al cerebro humano, mediante componentes electrónicos, capaz de autoorganizarse y aprender a realizar tareas como clasificar colores u obtener un diagnóstico diferencial médico, es factible según la prueba de concepto obtenida por los investigadores Marta Pedró y Javier Martín, del grupo neuromimeTICs, de la Universitat Autònoma de Barcelona (UAB) y que han contado con el apoyo del Centro Nacional de Microelectrónica de Barcelona, que ha proporcionado los dispositivos necesarios para la investigación. La conclusión forma parte de la ponencia “Proposal of a Self-Organizing neural network based on memristors” presentada dentro de una sesión celebrada por el grupo neuromimeTICs el 10 de mayo de este año 2018 en la misma Escola d’Enginyeria de la UAB.

La ponencia reúne los resultados de la investigación realizada en el primer año y medio de tesis doctoral de Marta Pedró, autora principal del trabajo, ingeniera electrónica y estudiante de doctorado de la Escola d’Engyineria de la UAB, psicóloga también por la UAB, así como investigadora del grupo neuromimeTICs. Se ha presentado por primera vez en la conferencia 2018 IEEE International Reliability Physics Symposium (IRPS), el 13 de marzo de 2018, en San Francisco (California).

“Hemos podido aportar una prueba de concepto, a nivel de simulación, de que se puede implementar un sistema adaptativo en hardware, es decir, una red neuronal física con capacidad de autoorganizarse, que consigue emular el comportamiento de las cortezas sensoriales del cerebro: señales o datos de entrada similares entre sí provocan una respuesta similar en neuronas que son cercanas entre sí, mientras que datos de entrada muy dispares activan neuronas que se hallan distantes”, afirma Pedró.

Un sistema electrónico neuromórfico

Los sistemas electrónicos neuromórficos imitan al cerebro humano y las sinapsis o conexiones neuronales que se generan dentro de distintas partes de este órgano (como el surco lateral, el lóbulo temporal, el córtex auditivo primario o el córtex auditivo secundario). En las cortezas que procesan los estímulos sensoriales, las neuronas se organizan de forma topológica, de forma que las que están más próximas entre sí, en una misma región cerebral, responden de forma similar a estímulos parecidos.

El circuito neuromórfico diseñado por investigadores de la UAB, en el que se ha adaptado un algoritmo de aprendizaje preexistente, ha logrado reconstruir esta organización topológica de las neuronas. Se trata de una arquitectura que consiste en una matriz sináptica que conecta una serie de componentes que simulan las neuronas de entrada y de salida de la red neuronal. Mediante el algoritmo de aprendizaje, este sistema es capaz de autoorganizarse, aprender y funcionar, sin la necesidad de realizar ningún cómputo matemático. El aprendizaje se produce mediante Spike-timing-dependent plasticity (STDP) o plasticidad dependiente del tiempo de disparo entre las neuronas, que consiste en emular un proceso biológico según el cual estas se ajustan en función de la correlación temporal entre los impulsos eléctricos que emiten las propias neuronas. “Las neuronas que disparan juntas, trabajan juntas”,

Una vez configurado el sistema, se ha efectuado una simulación para probar su funcionamiento. Para ello, se le ha suministrado un conjunto de 10.000 datos.  Las neuronas de entrada han recibido como estímulo los componentes de los colores RGB (red, green and blue; en español, “rojo”, “verde” y “azul” respectivamente) y la respuesta del modelo ha sido que las neuronas se han organizado en grupos (clústeres) cada uno de los cuales es sensible a un solo estímulo (o color) o a una combinación de ellos. El tamaño de los clústeres obtenidos está relacionado con la cantidad de veces que ha aparecido cada uno de los tres colores.

Fuente: Neural Networks Research Centre, Helsinki University of Technology. (1997). World Poverty Map.  www.cis.hut.fi

Fuente: Neural Networks Research Centre, Helsinki University of Technology. (1997). World Poverty Map. www.cis.hut.fi

“El resultado es que el sistema ha sido capaz de aprender a clasificar colores, de forma que colores, que nunca antes había visto, se han asociado al clúster de color que más se le parecía. La clave para que esto ocurra es que el algoritmo es capaz de extraer información estadística relevante sobre los datos de entrada que recibe, sin necesidad de conocer un modelo que pueda predecir una salida ante una entrada en particular”, detalla Pedró.

Tras esta simulación, los investigadores creen que es posible nutrir al sistema con distintos tipos de datos y que este funcione correctamente. Como ejemplo, en la presentación hecha al grupo neuromimeTICs, Pedró expuso que se podría proveer al sistema de distintos datos estadísticos sobre el nivel de vida de diferentes países del mundo y que este sería capaz de organizar y mapear un país cuya existencia desconocía antes. Lo haría en función del grado de similitud entre los factores de calidad de vida del país nuevo, y los de los países con los que el sistema ya estaba familiarizado.

Fuente: Neural Networks Research Centre, Helsinki University of Technology. (1997). World Poverty Map. www.cis.hut.fi

Experimento y simulación

El trabajo ha consistido en una parte experimental y otra de simulación. “Queríamos verificar que es posible implementar un sistema basado en memristores, cuya arquitectura y comportamiento se asemeja a la del cerebro biológico. El trabajo experimental fue necesario para determinar qué tipo de señales y formas de onda eléctricas se requieren para poder excitar a nuestros dispositivos, de forma que se comporten como una sinapsis, induciendo pequeños cambios controlados en su conductividad”, explica Pedró.

Posteriormente, ha sido preciso realizar una simulación para verificar tres aspectos: “En primer lugar, que podíamos reproducir los resultados del experimento, es decir, modelar el comportamiento eléctrico de los dispositivos; en segundo lugar, que podíamos desarrollar una simulación en el sistema, para poder trabajar y adaptar el algoritmo de aprendizaje a la circuitería o arquitectura que hoy en día se puede fabricar con estos dispositivos; y, en tercer lugar, que podíamos imitar los algoritmos de aprendizaje que se han propuesto para modelar las cortezas sensoriales del cerebro. Para nosotros ha sido clave inspirarnos en ellos en vez de optar por algoritmos más abstractos que se usan en inteligencia artificial basada en software”, añade Pedró.

La aportación: la “prueba de concepto”

Gracias a la simulación realizada, Pedró destaca que “hemos podido aportar una prueba de concepto de que se puede implementar un sistema adaptativo en hardware, una red neuronal física con capacidad de autoorganizarse, que consigue emular el comportamiento de las cortezas sensoriales del cerebro. En la práctica, esto significa que señales o datos de entrada similares entre sí provocan una respuesta similar en neuronas que son cercanas entre sí, mientras que datos de entrada muy dispares activan neuronas que se hallan distantes”.

Tras esta investigación, esta ingeniera afirma que el siguiente paso lógico sería verificar la prueba de concepto a nivel experimental, implementando el algoritmo de aprendizaje en un chip "físico", aunque advierte que, para poder llevar a cabo este experimento, se precisan fondos, puesto que hay que fabricar este tipo de sistemas.

Perspectivas de futuro

Estamos investigando para poder hacer diagnósticos médicos cuando la relación entre los factores de riesgo y la prevalencia de la enfermedad no están claros o no son conocidos

— Marta Pedró

A partir de estos resultados, otra perspectiva de futuro que se abre es que “se pueden investigar nuevas arquitecturas que repliquen comportamientos de aprendizaje humano más complejos, como aprender a asociar conceptos como la palabra rojo con el color rojo; a realizar determinadas acciones en función de los estímulos externos; o a ordenar el encendido de un LED rojo cuando al chip se le introduzca la palabra rojo mediante señales eléctricas”, pone como ejemplos Pedró. Pero, sin duda, el mayor provecho de la investigación en este campo podría provenir de sus aplicaciones médicas. “Estamos investigando para poder hacer diagnósticos médicos cuando la relación entre los factores de riesgo y la prevalencia de la enfermedad no están claros o no son conocidos”, destaca Pedró.

“Es importante destacar que la principal diferencia de esta propuesta frente a la electrónica convencional es que en la electrónica convencional hay un usuario externo que programa la función que va a realizar el chip, mientras que aquí las acciones del chip se definen a través de estímulos externos, es decir, a través de la experiencia”; puntualiza la ingeniera.