Muchas de las nuevas actividades que se realizan en la Inteligencia Artificial requieren de muchos recursos, pues hacer reconocimiento de imágenes o manipulación robótica, exige el control de muchas variables y en ocasiones de usar heurísticas ante acontecimientos no previsibles.
Evidentemente el hardware es fundamental para el desarrollo de muchos sistemas inteligentes y es evidente que la microelectrónica está llegando a sus límites físicos. Sin embargo, la naturaleza nos puede dar pistas sobre los pasos a seguir para no detener el avance de la tecnología.
El cerebro humano, por ejemplo, demuestra que podemos guardar y recuperar mucha información de forma eficiente, amén de hacerlo muy rápido.
Tomando en cuenta esto, por primera vez los científicos de la Universidad Tecnológica de Dresden y el Centro Helmholtz Dresden-Rossendorf (HZDR), han logrado con éxito imitar el funcionamiento de las neuronas usando materiales semiconductores.
Su trabajo se publicó en Nature Electronics.
El reto tecnológico
Hoy, el mejorar el desempeño de la microelectrónica se hace reduciendo el tamaño de los componentes.
Esto es obvio en el desarrollo de los microprocesadores que aglutinan cada vez más transistores en el mismo espacio físico.
Sin embargo, como indica Larysa Baraban, física que trabaja en HZDR desde el inicio del 2020,: «esto no puede hacerse indefinidamente. Necesitamos otros enfoques«.
Baraban es uno de las tres autores primarios del estudio, el que se involucra a un total de seis institutos.
«Nuestra aproximación se basa en el cerebro, combinando el procesamiento de datos con el almacenamiento en una neurona artificial.
Nuestro grupo usa su gran experiencia con los sensores químicos y biológicos.
Simulamos las propiedades de las neuronas usando los principios de los biosensores y modificamos un transistor clásico de efecto de campo para crear un neurotransistor» , indica Baraban.
La ventaja de esta arquitectura es que simultáneamente almacena y procesa información en un solo componente.
En un transistor convencional, esto está separado, lo que hace que los tiempos de procesamiento sean más lento y por ende, en última instancia se limite el desempeño.
Placa de silicio + polímero = chip capaz de aprender
El modelar computadoras basadas en el cerebro no es una idea novedosa. Los científicos han intentado conectar células nerviosas con elementos electrónicos en el laboratorio por décadas.
«Pero un chip «húmedo» que tiene que ser alimentado todo el tiempo no es útil para nadie», dice Gianaurelio Cuniberti, del la Universidad Tecnológica de Dresden.
Este profesor de Nanotecnología y Ciencias de los Materiales, es uno de los tres cerebros detrás del neurotransistor, además de Ronald Tetzlaff, Profesor de Ingeniería Eléctrica en Dresden, además de León Chua, de la Universidad de California, Berkeley, quien ya en 1970 postulaba estos componentes similares.
Ahora Cuniberti, Baraban y su equipo han sido capaces de implementar todo:
«Aplicamos una sustancia viscosa -llamada solgel. a una placa de silicio convencional con circuitos. Este polímero se endurece y se convierte en un objeto cerámico poroso», explica el especialista en materiales.
«Los iones se mueven entre los agujeros. Son más pesados que los electrones y más lentos para regresar a sus posiciones después de la excitación. Este retardo, llamado histéresis, es lo que causa el efecto de almacenamiento», indica.
Como explica Cuniberti, este es un factor decisivo en el funcionamiento del transistor.
«Mientras más se excita un transistor individual, más pronto se abre y permite el paso de la corriente. Esto refuerza la conexión. El sistema está aprendiendo», destaca Cuniberti.
Investigaciones poco convencionales
Cuniberti y su equipo no están enfocados en los problemas convencionales.
«Las computadoras basadas en nuestro chip serían menos precisas y tenderían a estimar los cálculos matemáticos, en lugar de calcularlos hasta el último valor decimal», explica.
«Pero serían más inteligentes. Un robot con este tipo de procesadores podría aprender a caminar y sin necesidad de un algoritmo o un software desarrollado para ello. Aprendería sin ayuda a reconocer las conexiones», dice Cuniberti.
Y gracias a su plasticidad, la cual es similar a la del cerebro humano, podría adaptarse a los cambios mientras trabaja, resolviendo problemas que no se habían estimado a priori.
