La tecnología detrás de los todavía emergentes chips neuromórficos podría estar a punto de dar un importante salto gracias a las investigaciones de Samsung y un equipo de científicos de la Universidad de Harvard, que han publicado en la revista Nature Electronics un documento en el que describen la forma de copiar las conexiones neuronales del cerebro para replicarlas de forma sintética.
Según detalla Samsung, el método desarrollado es lo más parecido posible a "copiar" una estructura biológica natural y "pegarla" en una matriz sintética formada por chips de memoria diseñados por el fabricante surcoreano.
De forma algo más detallada, el método propuesto (que es descrito como una "visión", siendo todavía altamente teórico y valiéndose de tecnologías punteras) utiliza un nuevo sistema de nanoelectrodos que, una vez insertados en las neuronas del cerebro, permiten medir las señales eléctricas de las sinapsis de una red neuronal.
Encontrando los puntos de unión entre las neuronas, los científicos creen que es posible mapear en 3D la red neuronal de un cerebro con un nivel de detalle hasta ahora inédito. Una vez obtenida la información, el diseño de dichas redes se "pega" a chips SSD o RRAM que imitan el funcionamiento de la red neuronal en cuestión mediante cambios en la conductancia de cada memoria, emulando así la fuerza de las conexiones de cada sinapsis.
En esencia, asegura Samsung, nos encontraríamos ante "un esquema que directamente descarga el mapa de la conexión neuronal de un cerebro al chip de memoria".
Una posible clave para crear sistemas de IA más fieles, complejos y eficientes
El propósito de Samsung es seguir avanzando en sus investigaciones sobre ingeniería neuromórfica; una disciplina que todavía es muy experimental, pero que podría ser clave para mejorar su posicionamiento como proveedor de sistemas de IA.
Diseñados para imitar el funcionamiento de un cerebro biológico, los procesadores neuromórficos presentarían diversas ventajas frente al hardware que todos conocemos. Aunque el cerebro humano (o de cualquier animal) no alcanza la capacidad de cálculo matemático de un procesador tradicional, sus estructuras son especialmente adecuadas para disgregar problemas complejos en otros más pequeños y fáciles de resolver. También resultan superiores a la hora de gestionar procesos de aprendizaje automatizado y profundo, reconocimiento de imágenes y del habla.
Estas características hacen que algunos fabricantes estén pensando en su posible uso a muy largo plazo en centros de computación de alto rendimiento en sustitución de las actuales unidades neuronales y Tensor, aunque para ello aún son necesarios importantísimos avances en hardware y conceptualización de IA.
