“Neuronas” de silicio podrían aportar una nueva dimensión a los procesadores de computadoras

Las limitaciones de energía conducen a formas novedosas de comunicación eficiente a distancia.

Cuando se dispara, una neurona consume significativamente más energía que una operación de computadora equivalente.

Y, sin embargo, una red de neuronas acopladas puede continuamente aprender, detectar y realizar tareas complejas a niveles de energía que actualmente son inalcanzables incluso para procesadores de última generación.

¿Qué hace una neurona para ahorrar energía que una unidad de procesamiento de computadora contemporánea no hace?

El modelado por computadora realizado por investigadores de la Universidad de Washington en la Escuela de Ingeniería McKelvey de St. Louis puede proporcionar una respuesta.

Utilizando “neuronas” de silicio simuladas, descubrieron que las restricciones de energía en un sistema, junto con la propiedad intrínseca de las neuronas de que tienen que moverse a la configuración de energía más baja, conduce a un protocolo de comunicación dinámico a distancia que es más robusto y más eficiente energéticamente que los procesadores informáticos tradicionales.

Es un caso de hacer más con menos.

Ahana Gangopadhyay, estudiante de doctorado en el laboratorio de Chakrabartty y autora principal del artículo, ha estado investigando modelos de computadora para estudiar las restricciones de energía en las neuronas de silicio, neuronas creadas artificialmente, conectadas por cables, que muestran la misma dinámica y comportamiento que las neuronas en nuestros cerebros.

Al igual que las neuronas biológicas, sus contrapartes de silicio también dependen de condiciones eléctricas específicas para dispararse.

Estos picos son la base de la comunicación neuronal, que van y vienen, transportando información de neurona a neurona.

Los investigadores primero observaron las restricciones de energía en una sola neurona. Luego un par. Luego, agregaron más.

“Descubrimos que hay una manera de acoplarlas donde puedes usar algunas de estas restricciones de energía, para crear un canal de comunicación virtual”, dijo Chakrabartty.

Un grupo de neuronas opera bajo una restricción energética común.

Entonces, cuando una sola neurona se dispara, necesariamente afecta la energía disponible, no solo para las neuronas a las que está directamente conectada, sino para todas las demás que operan bajo la misma restricción de energía.

Las neuronas espirales crean perturbaciones en el sistema, permitiendo que cada neurona “sepa” qué otras están aumentando, cuáles están respondiendo, y así sucesivamente.

Es como si todas las neuronas estuvieran incrustadas en una lámina de goma; una sola onda, causada por un disparo, las afectaría a todas.

Y como todos los procesos físicos, los sistemas de neuronas de silicio tienden a auto-optimizarse a sus estados menos energéticos, mientras que también se ven afectados por las otras neuronas de la red.

Estas restricciones se unen para formar una especie de red de comunicación secundaria, donde se puede comunicar información adicional a través de la topología dinámica pero sincronizada de los picos.

Es como la lámina de goma que vibra en un ritmo sincronizado en respuesta a múltiples picos.

Esta topología lleva consigo información que se comunica, no solo a las neuronas que están físicamente conectadas, sino a todas las neuronas bajo la misma restricción de energía, incluidas las que no están físicamente conectadas.

Bajo la presión de estas limitaciones, Chakrabartty dijo: “Aprenden a formar una red sobre la marcha”.

Esto permite una comunicación mucho más eficiente que los procesadores de computadora tradicionales, que pierden la mayor parte de su energía en el proceso de comunicación lineal, donde la neurona A primero debe enviar una señal a través de B para comunicarse con C.

El uso de estas neuronas de silicio para procesadores de computadora brinda la mejor compensación de eficiencia a velocidad de procesamiento, dijo Chakrabartty.

Permitirá a los diseñadores de hardware crear sistemas para aprovechar esta red secundaria, computando no solo linealmente, sino con la capacidad de realizar computación adicional en esta red secundaria de picos.

Sin embargo, los próximos pasos inmediatos son crear un simulador que pueda emular miles de millones de neuronas.

Luego, los investigadores comenzarán el proceso de construcción de un chip físico.

Fuente: WUSTL