Investigadores de la Universidad de Michigan han desarrollado un meristor con un tiempo de relajación ajustable, que podría conducir a redes neuronales artificiales más eficientes capaces de procesar información dependiente del tiempo.
Publicado en Electrónica de la naturalezaEl estudio destaca el potencial de los memristores, componentes electrónicos que actúan como dispositivos de memoria y pueden mantener su estado resistivo incluso cuando se corta la energía.
Los recuerdos funcionan imitando aspectos clave de la forma en que funcionan las redes neuronales biológicas y artificiales sin memoria externa. Esta propiedad podría reducir significativamente las necesidades de energía de la IA, lo cual es importante ya que se espera que el consumo de electricidad de la tecnología aumente significativamente en los próximos años.
El fregadero de la cocina del mundo atómico
“En este momento, hay mucho interés en la inteligencia artificial, pero para procesar datos más grandes e interesantes, el enfoque es aumentar el tamaño de la red”, dijo Wei Lu, profesor de ingeniería James R. Mellor en UCLA. y coautor del estudio con John Herron, profesor asociado de ciencias e ingeniería de materiales en la Universidad de California, “Esto no es muy eficiente”.
El equipo de investigación logró tiempos de relajación ajustables para memristores variando las proporciones de los materiales del núcleo en el superconductor YBCO. Este superconductor, compuesto de itrio, bario, carbono y oxígeno, tiene una estructura cristalina que dirige la organización de otros óxidos en el material del meristor.
Heron se refiere a este óxido estable entropía como el “fregadero del mundo atómico” porque cuantos más elementos se le añaden, más estable se vuelve.
Al variar las proporciones de los óxidos, el equipo logró constantes de tiempo que oscilaban entre 159 y 278 nanosegundos. Luego, el equipo construyó una red mnemotécnica simple capaz de aprender a reconocer los sonidos de los números del cero al nueve. Una vez entrenada, la red puede reconocer cada dígito incluso antes de que se complete la entrada de voz.
Los resultados del estudio representan un importante paso adelante en la computación neuronal, ya que las redes basadas en memristores tienen el potencial de mejorar significativamente la eficiencia energética en los chips de IA en un factor de 90 en comparación con la tecnología GPU actual. “Hasta ahora, es una visión, pero creo que hay maneras de hacer que estos materiales sean escalables y asequibles”, dijo Herron. “Estos materiales abundan en el suelo, no son tóxicos, son baratos y casi se pueden rociar sobre ellos”.