Hardware-Aware On-Chip Learning with a Scalable Single-Transistor-based Neuromorphic Platform

Las computadoras modernas son increíblemente potentes, pero también son hambrientas. A medida que la inteligencia artificial se vuelve más compleja, la energía requerida para ejecutarla se ha convertido en un cuello de botella, especialmente para dispositivos que necesitan funcionar durante largos períodos con baterías pequeñas, como robots o sensores en la naturaleza. Para resolver esto, los científicos han recurrido a una forma diferente de pensar sobre la computación, una que imita al cerebro humano. En lugar de procesar información en un flujo constante y continuo como una calculadora tradicional, estos sistemas "neuromórficos" utilizan diminutos estallidos asíncronos de información llamados pulsos (spikes). Este método es mucho más eficiente porque el sistema solo trabaja cuando hay algo nuevo que procesar. Sin embargo, enseñar a estas máquinas similares al cerebro a aprender nuevas tareas mientras están en funcionamiento ha sido un gran obstáculo. En la mayoría de los diseños, el estado interno de una neurona —su "memoria" de lo que acaba de recibir— está oculto dentro del hardware, lo que hace que sea casi imposible que el sistema ajuste sus propias conexiones y aprenda de sus errores sin sensores externos costosos y que consumen mucha energía.

Un equipo de investigadores de la Universidad Nacional de Seúl y el Instituto de Ciencia y Tecnología de Corea ha demostrado ahora una forma de enseñar a estos sistemas sin necesidad de mirar nunca dentro de las neuronas. Han construido un nuevo tipo de chip donde el proceso de aprendizaje depende únicamente de señales que ya son visibles en la superficie: la corriente eléctrica que fluye entre los componentes y la sincronización de los pulsos. Al diseñar el hardware y el software de aprendizaje para que trabajen juntos, crearon un sistema que puede aprender en el chip, utilizando un solo transistor para actuar como sinapsis, neurona y generador de señales de aprendizaje, todo al mismo la vez. Este enfoque elimina la necesidad de leer el voltaje interno oculto de una neurona, un paso que anteriormente requería circuitos voluminosos y que consumían mucha energía. El resultado es una plataforma unificada que no solo es más pequeña y simple, sino que también es capaz de aprender continuamente, adaptándose a la nueva información mientras recuerda lo que ya ha aprendido.

El núcleo de este avance reside en cómo los investigadores resolvieron el problema del "acceso al estado". En un cerebro artificial tradicional, para enseñar a una neurona a disparar en el momento adecuado, la computadora necesita saber exactamente cuánta carga eléctrica hay acumulada dentro de ella en cualquier momento dado. En el hardware físico, esta carga está atrapada dentro del dispositivo, y medirla requiere circuitos complejos y de alto consumo energético que invalidan el propósito de tener un sistema de bajo consumo. Los investigadores se dieron cuenta de que no necesitaban medir esta carga oculta si podían usar la corriente que fluye hacia la neurona como un sustituto (proxy). Desarrollaron un método llamado gradiente sustituto basado en corriente. En lugar de preguntar "¿qué tan llena está la batería de la neurona?", el sistema pregunta "¿cuánta corriente está fluyendo ahora mismo?". Si la corriente está dentro de un rango saludable específico, el sistema sabe que la neurona está aprendiendo correctamente. Si la corriente es demasiado alta o demasiado baja, sabe que se necesita un ajuste. Esto permite que el chip genere sus propias señales de aprendizaje utilizando solo los datos que están naturalmente disponibles en los puntos de conexión entre las neuronas.

Para que esto funcione en el mundo real, el equipo fabricó un chip especial utilizando un proceso de fabricación estándar, pero con un giro ingenioso. Utilizaron un solo tipo de transistor que podía realizar tres trabajos diferentes dependiendo de cómo se configurara. Un grupo de estos transistores actuaba como sinapsis, las conexiones que almacenan la fuerza de una memoria. Otro grupo actuaba como neuronas, que acumulan carga eléctrica hasta que alcanzan un punto de inflexión y disparan un pulso. El tercer grupo actuaba como el mecanismo de aprendizaje, observando la corriente y decidiendo cuándo enviar una señal de corrección. Debido a que los tres componentes están construidos a partir del mismo bloque básico, pueden empaquetarse densamente en un solo chip. Los investigadores demostraron que estos transistores podían almacenar de manera confiable diferentes niveles de peso, integrar señales entrantes a lo largo del tiempo y disparar pulsos en un patrón que imita a las neuronas biológicas. Crucialmente, el componente de aprendizaje podía detectar si el sistema estaba operando correctamente o incorrectamente simplemente mirando la corriente, sin necesidad de acceder al voltaje interno oculto de la neurona.

El equipo probó este sistema mediante extensas simulaciones por computadora que utilizaron el comportamiento real medido de sus chips físicos. Entrenaron la red en una variedad de tareas, que van desde el reconocimiento de dígitos escritos a mano hasta la identificación de objetos complejos en imágenes e la interpretación de transmisiones de video de cámaras basadas en eventos. En estas pruebas, el nuevo método funcionó tan bien como los métodos de aprendizaje tradicionales que dependen del acceso total a los estados internos. El sistema fue capaz de aprender nuevas clases de objetos sin olvidar las que ya había dominado, una capacidad conocida como aprendizaje continuo. Esto es un logro significativo porque muchos intentos previos de enseñar a estos sistemas en el chip resultaron en un "olvido catastrófico", donde aprender algo nuevo borraba las memorias antiguas. Al utilizar sus nuevas señales de aprendizaje, los investigadores demostraron que el sistema podía adaptarse a la nueva información mientras retenía su conocimiento previo, incluso cuando el hardware mismo era imperfecto y ruidoso.

Las implicaciones para la eficiencia energética son sustanciales. Los investigadores estimaron que, al utilizar su enfoque analógico basado en pulsos, la energía requerida para ejecutar una inferencia —tomar una decisión basada en nuevos datos— podría reducirse en más de un 60 por ciento en comparación con los sistemas totalmente digitales. En algunas configuraciones específicas, los ahorros fueron incluso mayores, superando el 85 por ciento. Esto se debe a que el sistema evita el enorme costo energético de convertir señales analógicas a números digitales y viceversa, y solo consume energía cuando ocurre un pulso. Si bien el proceso de enseñar al chip todavía requiere inicialmente algunos pulsos de alto voltaje que consumen energía, los investigadores señalaron que este costo es un evento de configuración inicial o un evento poco frecuente, mientras que los ahorros de energía durante la operación diaria son continuos y significativos.

Este trabajo no pretende haber resuelto todos los problemas de la inteligencia artificial, ni sugiere que estos chips estén listos para reemplazar a los procesadores de su teléfono inteligente mañana. Los investigadores fueron cuidadosos en señalar que, si bien las señales de aprendizaje funcionan bien, aún no se ha medido el costo energético completo de un sistema de aprendizaje totalmente integrado en un dispositivo del mundo real. Todavía existen desafíos para escalar la fabricación e integrar los circuitos de control necesarios para gestionar estos chips. Sin embargo, el estudio proporciona una prueba de concepto clara de que es posible construir una computadora similar al cerebro que aprenda por sí misma sin necesidad de ver sus propios pensamientos internos. Al diseñar el hardware para que hable el mismo lenguaje que el algoritmo de aprendizaje, el equipo ha abierto un camino hacia máquinas adaptativas y de bajo consumo que pueden aprender y evolucionar en el mundo real, tal como los cerebros biológicos que están diseñados para emular.