El desarrollo de sistemas que imitan el comportamiento cerebral orgánico está abriendo nuevas posibilidades de aprendizaje a los algoritmos de Machine Learning y Deep Learning, que emulando la manera característica que tienen los cerebros biológicos de afrontar algunos problemas ya pueden realizar eficientemente operaciones que hasta ahora no les era factible acometer.
Al margen de la computación tradicional hay otros modelos que se están desarrollando actualmente. Los más prometedores son los sistemas cuánticos y los neuromórficos, que en su caso reproducen el comportamiento del cerebro de un ser vivo.
Las investigaciones se enfocan en el aprovechamiento de los atributos de estos sistemas innovadores para obtener nuevas funcionalidades o mejorar las ya existentes, pero no necesariamente para realizar una sustitución tecnológica, ya que pueden ser recursos complementarios que operen de manera colaborativa.
Sin ir más lejos, los cúbits de los computadores cuánticos son capaces procesar billones de operaciones por segundo a una velocidad con la que ni puede soñar la computación tradicional basada en bits. Pero en último término, al menos actualmente, dependen de sistemas tradicionales para trabajar en las condiciones de aislamiento hermético que requieren para evitar la irrupción de los problemas de decoherencia que invalidan su funcionamiento.
Orígenes de la computación neuromórfica.
Junto a la tecnología cuántica, otro de los sistemas emergentes con más potencialidades es el de la computación neuromórfica, que tiene sus orígenes en la década de los ochenta, cuando Carver Andress Mead, un ingeniero del Instituto de Tecnología de California, diseñó un circuito de chips que imitaba el comportamiento del sistema nervioso de los animales.
A partir de ahí, exploró la idea de que los ordenadores reprodujesen la manera altamente eficiente de procesar la información característica del cerebro humano. De acuerdo a este enfoque, los transistores ejercerían de transmisores emulando el modo en el que las neuronas se comunican entre sí a través de impulsos eléctricos, en lo que se denomina como sinapsis neuronal, y que es precisamente uno de los grandes caballos de batalla a la hora de crear redes neuronales artificiales.
Desde los primeros planteamientos de Mead, la computación neuromórfica ha sido un objeto recurrente de investigación, particularmente en los últimos años, cuando se han adoptado enfoques multidisciplinares, con equipos de trabajo conformados por especialistas en biología, física, informática y microelectrónica.
La meta última sería el desarrollo de sistemas que resulten tan eficientes procesando la información como un cerebro orgánico, que además opera consumiendo muy poca energía, lo que ya permite intuir una de las vertientes de aplicación que se están explorando.
Con todo, hay que valorar que un procesador neuromórfico que imitase el comportamiento de un cerebro biológico sería muy eficaz resolviendo algunos problemas, pero no tendría esa misma capacidad resolutiva ante otros que un sistema informático tradicional, y no digamos ya una computadora cuántica.
Por ello, la idea consistiría en utilizar los modelos neuromórficos para dotar a los sistemas de Inteligencia Artificial de capacidades de los cerebros orgánicos que no se pueden obtener por otras vías, como por ejemplo la habilidad para abordar cuestiones que incorporan un alto grado de paralelismo intrínseco. Esto es, descomponer los problemas en subproblemas más pequeños para facilitar así su resolución.
Además, las redes neuromórficas pueden trabajar de forma colaborativa, mediante la asignación de cada subproblema a una unidad específica, para que resolviendo cada eslabón la tarea correspondiente toda la cadena intervenga en la resolución del problema grande, con la consiguiente ganancia en rapidez y eficacia.
Algoritmos neuromórficos de Inteligencia Artificial.
Asimismo, las capacidades de la computación neuromórfica para encontrar diversas soluciones en paralelo a gran velocidad son también muy útiles para los algoritmos de la Inteligencia Artificial.
Al igual, que tiene bastante potencial de aprovechamiento la gran solvencia de los sistemas neuromórficos para responder a eventos basados en condiciones ambientales (luz, sonidos, etc.); o su propia tolerancia a fallos, ya que aunque algunos nodos de la red fallen otros pueden seguir resolviendo las tareas o subproblemas asignados.
De manera similar, las habilidades para el paralelismo intrínseco hacen que los algoritmos neuromórficos tengan capacidades para el reconocimiento de patrones, para la optimización de procesos en los que puedan concurrir parámetros imprevisibles o para hallar soluciones condicionadas a la satisfacción de requisitos. Todos ellos retos medulares para los sistemas de Inteligencia Artificial, ya hablemos de Machine Learning o Deep Learning.
Los proyectos de computación neuromórfica más avanzados en la actualidad.
De ahí, que no sea extraño que ahora mismo haya en marcha importantes proyectos de investigación relacionados con la computación neuromórfica, impulsados por centros científicos de vanguardia como el MIT, y por gigantes tecnológicos como Google, Intel, IBM o HP.
Precisamente Hewlett Packardha desarrollado una herramienta de programación de código abierto, Cognitive Computing Toolkit, que permite crear aplicaciones para resolver con algoritmos neuromórficos problemas que los softwares clásicos no sean capaces de afrontar.
IBM e Intel, por su parte, al margen de ofrecer igualmente sendas plataformas para desarrollo de softwares de este tipo, también están lanzando soluciones de hardware ideadas para la ejecución de algoritmos neuromórficos.
Por ejemplo, el procesador TrueNorth de IBM está dotado con más de 4.000 núcleos, que tienen capacidad para reproducir el comportamiento de más de un millón de neuronas y alcanzar 256 millones de sinapsis.
Mientras que el sistema físico de Intel, Kapoho Bay, integra dos chips Loihi de 131.000 neuronas cada uno, para posibilitar la ejecución de unos algoritmos neuromórficos que pueden desde identificar expresiones faciales a tiempo real hasta leer braille, entre otras capacidades.
También, dentro del proyecto Human Brain Project patrocinado por la Unión Europea se impulsó la creación de SpiNNaker, una supercomputadora neuromórfica que incorpora más de 1 millón de procesadores, 100 millones de transistores y puede ejecutar más de 200 millones de operaciones por segundo imitando el comportamiento del cerebro humano.
Chips para sistemas neuromórficos realizados con miel.
Pero la innovación reciente más llamativa en el ámbito de la computación neuromórfica, aunque concierna únicamente al material para la elaboración de los chips, viene de la mano de un equipo de investigación de la Universidad Estatal de Washington (WSU) dirigido por los profesores Feng Zhao y Brandon Sueok, que han demostrado las potencialidades que ofrece la miel para la creación de memristores, pequeños dispositivos que reciben esa denominación por su capacidad tanto para almacenar información como ejercer de transistores, con funcionalidades que se asemejan a las de las neuronas cerebrales.
Así, integrando millones de estos chips de miel juntos podría obtenerse un sistema neurológico que operase de modo semejante a un cerebro orgánico, con la ventaja de que estos dispositivos al estar realizados con un componente natural serían biodegradables.
De este modo, vemos como curiosamente la tecnología más vanguardista es capaz tanto de emparentarse con entes físicos orgánicos tan complejos como un cerebro, como en último término disolverse en la naturaleza en la que se inspira.
