El «reservoir computing» para sensores multitarea
Cualquier gigante de la tecnología le dirá con mucho gusto: el aprendizaje automático es el futuro de la tecnología, y solo hemos descubierto la punta del iceberg de todo su potencial. Muy pronto, todo el «software» integrado en nuestros dispositivos inteligentes mejorará y aprenderá automáticamente a partir de la experiencia, tal y como hacemos los humanos cada vez que nos encontramos con situaciones nuevas. La comparación es fundamental, ya que uno de los métodos más exitosos del aprendizaje automático —llamado «reservoir computing»— se inspira en las redes neuronales. Tal y como señala Zoran Konkoli, profesor del Departamento de Microtecnología y Nanociencia de la Universidad Tecnológica Chalmers: «El principal atractivo comercial del “reservoir computing” es que no requiere equipos auxiliares complejos. Si un sistema es lo suficientemente complejo, entonces puede equiparse con una unidad muy simple, llamada “capa de lectura”, que puede optimizarse fácilmente para cualquier cálculo». En septiembre de 2015, el profesor Konkoli dirigió un consorcio de ocho universidades e institutos de investigación para aplicar el «reservoir computing» a una nueva generación de dispositivos de detección inteligentes y biocompatibles capaces de detectar cambios conductuales en las concentraciones de iones; así se creó el proyecto RECORD-IT. Normalmente, los sensores trabajan en dos pasos. En primer lugar, interactúan con el objeto a investigar y generan un resultado. Después, en un segundo paso, una unidad independiente puede analizar este resultado. Por ejemplo, cuando nuestros ojos detectan la luz, se activa el potencial de acción de las neuronas que transmiten información desde la retina hasta el cerebro. En el segundo paso, nuestro cerebro da sentido a esta información. Existen dos métodos principales para el uso del «reservoir computing» (RC) para sensores: la configuración clásica de «RC y detección», en la que el dispositivo de RC se utiliza para la etapa de análisis, y el nuevo método de «RC para detección» desarrollado por el proyecto RECORD-IT. En este último método, el sensor de RC recopila información y la procesa al mismo tiempo. «Digamos que quieres saber el tiempo que hace en el exterior sin tener acceso a una ventana. Si una persona entra en la habitación desde el exterior, es posible que desees utilizar a esa persona para saber qué tiempo hace. En una configuración de “RC y detección”, tendrías que diseñar una cámara muy compleja a la que seguiría un complejo análisis de procesamiento de imágenes (por un RC u otro tipo de unidad) para ver si la persona está mojada. Con el “RC para detección”, se puede simplemente interactuar con la persona, en lugar de ser un observador pasivo, haciendo preguntas sencillas», dice el profesor Konkoli. La principal innovación aportada por RECORD-IT radica en la forma en que un sistema tan dinámico puede consultarse a lo largo del tiempo, mediante la acumulación de pistas sobre el entorno antes de evaluarlas con una unidad de inferencia muy simple. Sin embargo, el equipo también logró aplicar este enfoque al desafiante campo de los sistemas iónicos. El profesor Konkoli comenta con entusiasmo: «La lista de posibles aplicaciones es infinita. Esperamos un gran impacto en las tecnologías del internet de las cosas (IdC), donde la necesidad de reducir el ancho de banda de comunicación es un gran reto. Por ejemplo, podríamos prever aplicaciones médicas como la monitorización de pacientes en tiempo real (queremos sensores precisos que sean pequeños y energéticamente eficientes); aplicaciones de inteligencia de enjambre con sistemas de sensores distribuidos, etc.». Aunque el proyecto finalizó el año pasado, el consorcio ha estado ocupado aprovechando los principios algorítmicos del proyecto para varias aplicaciones, como un sensor para detectar enfermedades neurológicas, aplicaciones criptográficas y varias ideas de redes de sensores distribuidos.
Palabras clave
RECORD-IT, «reservoir computing», aprendizaje automático, sensores, red neuronal, IdC, internet de las cosas, RC para detección, sistemas iónicos
