Innovación en el entrenamiento de redes neuronales con chips neuromórficos
Investigadores de la Universidad Tecnológica de Eindhoven (TU/e) han logrado un avance significativo en el entrenamiento de redes neuronales mediante el desarrollo de un dispositivo neuromórfico que permite la capacitación directamente en el hardware. Este avance elimina la necesidad de transferir modelos entrenados desde un ordenador al chip, lo que representa un paso crucial hacia la creación de chips de inteligencia artificial (IA) más eficientes y dedicados. La investigación, liderada por Yoeri van de Burgt, destaca la importancia de replicar las características del cerebro humano en tecnologías que requieren aprendizaje, como los sistemas de IA utilizados en transporte, comunicación y atención sanitaria.
Las redes neuronales, modelos informáticos inspirados en el funcionamiento del cerebro, enfrentan retos significativos a medida que aumentan en tamaño y complejidad. La capacidad de resolver problemas complejos se ve empañada por los crecientes costes energéticos y limitaciones de hardware. Los chips neuromórficos, que utilizan dispositivos llamados memristores, imitan el proceso de comunicación entre neuronas en el cerebro, permitiendo que estos dispositivos «recuerden» la cantidad de carga eléctrica que ha pasado a través de ellos. Sin embargo, el entrenamiento de estos chips tradicionalmente requería procesos que consumían mucho tiempo, energía y recursos computacionales, lo que limitaba su eficacia.
El equipo de investigación ha desarrollado un chip neuromórfico que integra componentes de memoria electroquímica (EC-RAM), necesarios para simular el almacenamiento y disparo de carga eléctrica similar a las neuronas. Al implementar una red neuronal de dos capas basada en estos componentes, los investigadores han creado una versión adaptada del algoritmo de retropropagación, que se ajusta a las capacidades del nuevo hardware. Este enfoque no solo optimiza el consumo energético durante el entrenamiento, sino que también abre la puerta a aplicaciones prácticas en diversos campos, desde los sistemas de predicción meteorológica hasta los modelos de lenguaje avanzados. La siguiente fase del proyecto contempla la colaboración con la industria y laboratorios de investigación para escalar este innovador enfoque y demostrar su eficacia en situaciones del mundo real.
