Eficiencia en la computación de redes neuronales
La computación neuromórfica utiliza «hardware» basado en la estructura, procesos y capacidades de las neuronas y sinapsis que se encuentran en los cerebros biológicos. Los científicos pioneros creen que este método podría proporcionar una alternativa energéticamente eficiente a las arquitecturas informáticas convencionales. Ya se han identificado posibles aplicaciones en diversos ámbitos, como la IA, la robótica y los sistemas autónomos. Sin embargo, para poder comercializarla a gran escala, aún hay que superar determinados retos.
Superar las limitaciones de los ordenadores neuromórficos
El objetivo del proyecto PlasmoniAC, financiado con fondos europeos, era encontrar formas de superar algunos de estos problemas. «Queríamos abordar las limitaciones de eficiencia inherentes a los sistemas electrónicos computacionales neuromórficos», explica el coordinador del proyecto PlasmoniAC, Nikos Pleros de la Universidad Aristóteles de Salónica (Grecia). «Eso incluye limitaciones de velocidad y potencia, así como dificultades de conexión con procesadores electrónicos analógicos». Para ello, el equipo del proyecto buscaba desarrollar materiales basados en plasmónica. Se trata de un ámbito de investigación puntero que se centra en la interacción resonante entre la radiación electromagnética y los electrones libres en la interfaz entre un metal y un material dieléctrico como el aire o el vidrio. Dicha interacción genera ondas de densidad electrónica denominadas «plasmones» o «plasmones de superficie». El equipo del proyecto PlasmoniAC creía que el desarrollo de nuevos materiales y tecnologías plasmónicas podría ser la clave para optimizar la potencia de cálculo, el tamaño y la energía de los chips neuromórficos, y ayudar a conseguir eficiencias en la computación neuromórfica.
Prototipos plasmónicos validados experimentalmente
El equipo del proyecto empezó investigando el potencial de varios materiales novedosos basados en plasmones para su uso en la computación neuromórfica. Entre ellos, materiales como el titanato de bario, el híbrido orgánico plasmónico y el dióxido de titanio. También se adaptaron los modelos de aprendizaje profundo. El equipo del proyecto desarrolló una nueva clase de modelos y arquitecturas de aprendizaje profundo fundamentados en la óptica, que luego se validaron en prototipos PlasmoniAC. «Pudimos evaluar el rendimiento de estas arquitecturas y prototipos desplegando una amplia gama de conjuntos de datos de aprendizaje profundo», añade Pleros. «Estos conjuntos de datos incluían el reconocimiento de imágenes, la supervisión del tráfico de la red de ciberseguridad y la comunicación óptica».
Comercialización de nuevos componentes de «hardware»
El éxito del proyecto en la investigación y ensayo de diversos materiales plasmónicos ha contribuido a allanar el camino para el desarrollo de nuevos componentes informáticos, capaces de superar con creces a sus homólogos electrónicos en términos de eficiencia energética. También se desarrolló con éxito un novedoso marco capaz de identificar las amenazas para la ciberseguridad de las redes entrantes. «El éxito de estas actividades ya ha dado lugar a la fundación de dos empresas derivadas», afirma Pleros. «Su objetivo es comercializar las tecnologías de materiales que desarrollamos, como los moduladores de titanato de bario». Este trabajo pionero en los ámbitos de la computación neuromórfica y la ciberseguridad de las redes de IA también ha dado lugar a la presentación de cuatro patentes estadounidenses, que podrían allanar el camino para una futura explotación comercial. «Una contribución significativa de este proyecto ha sido poner de relieve la viabilidad de seguir las hojas de ruta teóricas de la computación neuromórfica», señala Pleros. «También pudimos abordar algunos de los retos técnicos y arquitectónicos que hay que superar para llevar esta tecnología del laboratorio a las aplicaciones reales».
Palabras clave
PlasmoniAC, neuromórfica, computación, sinapsis, neuronal, IA, plasmónica
