Computación neuromórfica y picos de neuronas para una IA rápida

Computación neuromórfica y picos de neuronas para una IA rápida

Publicado por
Comparte en redes sociales


Informática neuromórfica

El cálculo neuromórfico de un pico de neuronas ahora aprovecha la IA rápida

La estructura neuronal del cerebro humano se emula en la investigación neuromórfica computarizada. La próxima generación de IA extenderá la IA a dominios similares a la cognición humana, como la interpretación independiente y la adaptabilidad. Esto es importante para superar la fragilidad de las soluciones de IA basadas en el entrenamiento y las pruebas de redes neuronales, que se basan en interpretaciones literales y deterministas de eventos que carecen de una perspectiva y comprensión comunes. Para automatizar las operaciones humanas del día a día, la IA de próxima generación debe poder hacer frente a circunstancias imprevistas y abstractas.

Exploremos más sobre el cálculo neuromórfico y los picos neuronales en las siguientes secciones.

¿Qué es la computación neuromórfica?

La computación neuromórfica es un método de ingeniería que modela los componentes de la computadora basándose en principios que se encuentran en el cerebro y el sistema nervioso humanos. La frase se refiere al desarrollo de componentes de software y hardware de computadora.

Para construir sistemas neuronales artificiales que se encuentran en la arquitectura biológica, los ingenieros neuromórficos dependen de una variedad de campos, que incluyen ciencias de la computación, biología, matemáticas, ingeniería eléctrica y física.

¿Por qué se necesitan los sistemas neuromórficos?

La mayor parte del hardware moderno se basa en la arquitectura de von Neumann, que separa la memoria y la computación. Los chips de Von Neumann desperdician tiempo y energía, ya que tienen que transferir información entre la memoria y la CPU.

Los fabricantes de chips han podido aumentar durante mucho tiempo la cantidad de potencia de procesamiento en un chip apretando más transistores en estas computadoras de von Neumann, gracias a la ley de Moore. Sin embargo, los desafíos con la contracción mucho mayor de los transistores, sus requisitos de energía y el calor que emiten significan que sin un cambio en los principios de los chips, esto no será posible por mucho más tiempo.

Los diseños de Von Neumann harán que sea cada vez más difícil lograr las mejoras necesarias en la potencia informática a lo largo del tiempo.

Para mantenerse erguido, necesitará un nuevo diseño que no sea de von Neumann: estructura neuromórfica. Tanto la computación cuántica como los sistemas neuromórficos se han propuesto como soluciones, y se espera que el procesamiento neuromórfico o el procesamiento inspirado en el cerebro se comercialicen primero.

Leer también  Los creadores de NFT sacan provecho del juicio de Johnny Depp contra Amber Heard

Una computadora neuromórfica podría canalizar el funcionamiento del cerebro para resolver varios desafíos y posiblemente sortear la barrera de von Neumann. Los cerebros emplean cálculos masivamente paralelos, mientras que los sistemas de von Neumann son en su mayoría seriales.

Computadora como un cerebro humano

Las neuronas, una especie de célula nerviosa, transportan mensajes hacia y desde el cerebro. Cuando pisa un alfiler, las terminaciones nerviosas de la piel del pie detectan el daño y envían un potencial de acción (esencialmente una señal para activarse) a la neurona unida al pie. El potencial de acción hace que la neurona libere sustancias químicas a través de un espacio conocido como sinapsis, un proceso que se repite a través de numerosas neuronas hasta que la señal llega al cerebro. Luego, el cerebro registra el dolor y las señales se transmiten de una neurona a otra hasta que el receptor recibe los músculos de la pierna y levanta el pie.

Un potencial de acción puede ser activado por una gran cantidad de estímulos simultáneamente (espacial) o por una entrada que se acumula en el tiempo (temporal). Debido a estos mecanismos, además de la interconexión masiva de sinapsis (una sinapsis puede estar vinculada a otras 10.000), el cerebro puede transportar información de forma rápida y eficaz.

Los memristores podrían ser potencialmente efectivos para simular otro aspecto valioso del cerebro: la capacidad de las sinapsis para retener y transferir información. Los memristores, que pueden contener un rango de valores en lugar de solo unos y ceros, pueden imitar cómo puede cambiar la fuerza de una conexión entre las dos sinapsis.

Usos de los sistemas neuromórficos

Para las tareas de procesamiento intensivo, los dispositivos periféricos como los teléfonos inteligentes deben actualmente delegar el procesamiento a una plataforma basada en la nube, que ejecuta la consulta y devuelve la respuesta al dispositivo. Esa pregunta no debe enviarse de un lado a otro con modelos computacionales; podría responderse dentro del propio dispositivo.

Sin embargo, probablemente la razón más convincente para invertir en computación neuromórfica es el potencial que tiene para la inteligencia artificial.

Leer también  3 Criptomonedas para tener en tu lista de observación; Parody Coin (PARO), Solana (SOL) y Litecoin (LTC) - Coinpedia - Fintech and cryptocurrency News Media

La IA de hoy en día se basa principalmente en reglas, educada en conjuntos de datos hasta que aprende cómo crear una determinada salida. Sin embargo, no es así como funciona el cerebro: nuestra materia gris se siente mucho más cómoda con la ambigüedad y la plasticidad.

Se cree que la próxima versión de la inteligencia artificial podrá hacer frente a algunos otros problemas similares al cerebro, como el cumplimiento de restricciones, donde un sistema debe descubrir la mejor solución a un problema con muchas restricciones.

También es más probable que los sistemas neuromórficos ayuden en el desarrollo de una mejor IA, ya que se sienten más cómodos con otros tipos de problemas, como el cálculo probabilístico, que requiere sistemas para lidiar con entradas ruidosas e inciertas. Otros, como el determinismo y el pensamiento no lineal, están todavía en su infancia en los sistemas informáticos neuromórficos, pero una vez confirmados, tienen el potencial de ampliar drásticamente las aplicaciones de la IA.

Neuron Spiking: IA más rápida y precisa

DEXAT es un nuevo modelo de neuronas con picos desarrollado por investigadores del IIT-Delhi, dirigido por el profesor Manan Suri del Departamento de Ingeniería Eléctrica (Umbral Adaptativo Doble EXPonential). El descubrimiento es crucial porque ayudará en el desarrollo de sistemas de inteligencia artificial (IA) neuromórfica precisos, rápidos y energéticamente eficientes para aplicaciones del mundo real, como el reconocimiento de voz.

El esfuerzo es multidisciplinario y abarca la inteligencia artificial, el hardware neuromórfico y la nanoelectrónica.

“Hemos demostrado que la tecnología de la memoria se puede utilizar para algo más que memorizar. Hemos utilizado con éxito la memoria de semiconductores para el procesamiento en memoria, el procesamiento neuromórfico, la detección, la inteligencia artificial perimetral y la seguridad del hardware. «En un comunicado de prensa de IIT-Delhi, Suri agrega:» Este estudio explota específicamente las características analógicas de los dispositivos de memoria basados ​​en óxido a nanoescala para generar neuronas pico adaptativas «.

En comparación con las neuronas pico de corte adaptativas de última generación, el estudio reveló un modelo de neurona con mayor precisión, convergencia más rápida y versatilidad en la implementación de hardware. Con menos neuronas, el método sugerido proporciona un rendimiento excelente.

Leer también  Surgen casos alcistas y bajistas para el precio Ripple (XRP).

Los investigadores pudieron demostrar eficazmente una implementación de hardware basada en nanodispositivos híbridos. Incluso con una variabilidad de dispositivo muy significativa, se ha informado que la red neuromórfica de nanodispositivos descrita alcanza un 94% de precisión, lo que muestra resiliencia.

Conclusión

Las redes neuronales de picos se utilizan en la computación neuromórfica para simular el funcionamiento del cerebro. La informática tradicional se basa en transistores encendidos o apagados, uno o cero. Las redes neuronales con púas pueden comunicar información de la misma manera espacial y temporalmente que el cerebro, lo que da como resultado más de una de las dos señales.



Source link

Si quiere puede hacernos una donación por el trabajo que hacemos, lo apreciaremos mucho.

Direcciones de Billetera:

- BTC: 14xsuQRtT3Abek4zgDWZxJXs9VRdwxyPUS 

- USDT: TQmV9FyrcpeaZMro3M1yeEHnNjv7xKZDNe 

- BNB: 0x2fdb9034507b6d505d351a6f59d877040d0edb0f

- DOGE: D5SZesmFQGYVkE5trYYLF8hNPBgXgYcmrx 

También puede seguirnos en nuestras Redes sociales para mantenerse al tanto de los últimos post de la web:

-Twitter

- Telegram

Disclaimer: En Cryptoshitcompra.com no nos hacemos responsables de ninguna inversión de ningún visitante, nosotros simplemente damos información sobre Tokens, juegos NFT y criptomonedas, no recomendamos inversiones

Dejar un comentario

Tu dirección de correo electrónico no será publicada.