La inteligencia artificial (IA) y el pensamiento humano pueden operar con electricidad, pero ahí es donde terminan las similitudes. Mientras que la IA se basa en circuitos de silicio y metal, la cognición humana surge de un tejido vivo y complejo. Las diferencias fundamentales en la arquitectura entre estos sistemas contribuyen a la naturaleza ineficiente de la IA.
Los modelos de IA actuales se ejecutan en computadoras convencionales, que almacenan y computan información en componentes separados, lo que resulta en un alto consumo de energía. De hecho, los centros de datos por sí solos representan una parte significativa del consumo mundial de electricidad. Sin embargo, los científicos llevan mucho tiempo buscando desarrollar dispositivos y materiales que puedan imitar la eficiencia computacional del cerebro.
Ahora, un avance realizado por un equipo de investigadores liderado por Mark Hersam en la Universidad Northwestern nos acerca más a lograr este objetivo. Han rediseñado el transistor, un bloque fundamental de circuitos electrónicos, para que funcione más como una neurona. Al integrar la memoria con el procesamiento, estos nuevos transistores sinápticos de moiré reducen el consumo de energía y permiten que los sistemas de IA vayan más allá del reconocimiento de patrones simples.
Para lograr esto, los investigadores recurrieron a materiales bidimensionales con arreglos atómicos únicos que crean patrones hipnotizantes llamados superestructuras de moiré. Estos materiales permiten un control preciso del flujo de corriente eléctrica y pueden almacenar datos sin necesidad de una fuente de alimentación continua debido a sus propiedades cuánticas especiales.
A diferencia de intentos anteriores de transistores de moiré, que solo funcionaban a temperaturas extremadamente bajas, este nuevo dispositivo funciona a temperatura ambiente y consume 20 veces menos energía. Aunque aún no se ha probado por completo su velocidad, el diseño integrado sugiere que será más rápido y eficiente en términos energéticos que la arquitectura informática tradicional.
El objetivo final de esta investigación es hacer que los modelos de IA se asemejen más al cerebro humano. Estos circuitos similares al cerebro pueden aprender de los datos, establecer conexiones, reconocer patrones y hacer asociaciones. Esta capacidad, conocida como aprendizaje asociativo, presenta actualmente desafíos para los modelos de IA tradicionales con componentes de memoria y procesamiento separados.
Al utilizar la nueva circuitria similar al cerebro, los modelos de IA pueden distinguir de manera más efectiva entre señal y ruido, lo que les permite realizar tareas complejas. Por ejemplo, en vehículos autónomos, esta tecnología puede ayudar a los pilotos de IA a navegar por condiciones de camino desafiantes y diferenciar entre obstáculos reales y objetos irrelevantes.
Si bien todavía hay trabajo por hacer en el desarrollo de métodos de fabricación escalables para estos transistores neuromórficos, el potencial de sistemas de IA más eficientes y poderosos es prometedor. Al unir la brecha entre la IA y la cognición humana, esta investigación abre emocionantes posibilidades para el futuro de la inteligencia artificial.
La inteligencia artificial (IA) se refiere a la capacidad de las máquinas o sistemas informáticos para realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, la resolución de problemas y la toma de decisiones.
La cognición humana se refiere a los procesos mentales y habilidades que permiten a los seres humanos adquirir conocimiento, comprender, percibir, pensar y comunicarse.
La circuitria de silicio y metal se refiere a los materiales y componentes utilizados en las computadoras convencionales para procesar y transmitir señales eléctricas.
La arquitectura en este contexto se refiere a la estructura y organización de un sistema o dispositivo.
El consumo de energía se refiere a la cantidad de energía utilizada por un sistema o dispositivo para realizar sus funciones.
Los centros de datos son instalaciones que albergan sistemas informáticos y equipos, incluyendo servidores y almacenamiento, con el propósito de almacenar, procesar y distribuir grandes cantidades de datos.
Las superestructuras de moiré son patrones hipnotizantes creados por los arreglos atómicos únicos de ciertos materiales bidimensionales.
Las propiedades cuánticas se refieren a las propiedades y comportamientos de la materia y la energía a nivel atómico y subatómico, como se describe por los principios de la mecánica cuántica.
El reconocimiento de patrones se refiere a la capacidad de un sistema o dispositivo para identificar y distinguir patrones o características en los datos.
El transistor es un bloque fundamental de circuitos electrónicos, responsable de controlar el flujo de corriente eléctrica y amplificar o cambiar señales.
La memoria en este contexto se refiere a la capacidad de un sistema o dispositivo para almacenar y recuperar información.
El procesamiento se refiere a la manipulación y computación de datos o información por parte de un sistema o dispositivo.
El aprendizaje asociativo se refiere a la capacidad de un sistema o dispositivo para establecer conexiones y asociaciones entre diferentes conceptos o datos.
Señal y ruido se refiere a la distinción entre información significativa (señal) y datos o interferencias irrelevantes o no deseados (ruido).
Los métodos de fabricación escalables se refieren a procesos y técnicas que se pueden expandir o adaptar fácilmente para producir mayores cantidades de un producto o dispositivo.
Los transistores neuromórficos son transistores diseñados para imitar la arquitectura y funcionalidad de las neuronas en el cerebro humano.
Enlace relacionado sugerido: Universidad Northwestern
The source of the article is from the blog lanoticiadigital.com.ar