Los investigadores imitan los signos de inteligencia más básicos del reino animal en material cuántico
WEST LAFAYETTE, Indiana – Para que la inteligencia artificial se vuelva más inteligente, primero debe ser tan inteligente como una de las criaturas más simples del reino animal: la babosa marina.
Un nuevo estudio ha descubierto que un material puede imitar las características de inteligencia más esenciales de la babosa marina. El descubrimiento es un paso hacia la construcción de hardware que podría ayudar a que la inteligencia artificial sea más eficiente y confiable para tecnologías que van desde automóviles autónomos y robots quirúrgicos hasta algoritmos de redes sociales.
El estudio, que se publica esta semana en las Actas de la Academia Nacional de Ciencias, fue realizado por un equipo de investigadores de la Universidad Purdue, la Universidad Rutgers, la Universidad de Georgia y el Laboratorio Nacional Argonne.
“Mediante el estudio de las babosas marinas, los neurocientíficos descubrieron las características de la inteligencia que son fundamentales para la supervivencia de cualquier organismo”, dijo Shriram Ramanathan, profesor de ingeniería de materiales en Purdue. «Queremos aprovechar esa inteligencia madura en los animales para acelerar el desarrollo de la IA».
Al estimular este material cuántico (pequeño rectángulo con rayas grises y negras, centro) con gases, los investigadores descubrieron que el material podía imitar formas básicas de aprendizaje que se encuentran en la babosa marina. (Foto de la Universidad de Purdue / Kayla Wiles) Descargar imagenDos signos principales de inteligencia que los neurocientíficos han aprendido de las babosas marinas son la habituación y la sensibilización. La habituación consiste en acostumbrarse a un estímulo con el tiempo, como desconectarse de los ruidos al conducir todos los días por la misma ruta al trabajo. La sensibilización es lo contrario: reacciona con fuerza a un nuevo estímulo, como evitar la mala comida de un restaurante.
La IA tiene muchas dificultades para aprender y almacenar nueva información sin sobrescribir la información que ya ha aprendido y almacenado, un problema que los investigadores que estudian la computación inspirada en el cerebro llaman el «dilema estabilidad-plasticidad». La habituación permitiría a la IA “olvidar” información innecesaria (logrando más estabilidad) mientras que la sensibilización podría ayudar a retener información nueva e importante (permitiendo la plasticidad).
En este estudio, los investigadores encontraron una manera de demostrar tanto la habituación como la sensibilización en el óxido de níquel, un material cuántico. El material se llama «cuántico» porque sus propiedades no pueden ser explicadas por la física clásica.
Si un material cuántico pudiera imitar de manera confiable estas formas de aprendizaje, entonces podría ser posible construir IA directamente en el hardware. Y si la IA pudiera operar tanto a través de hardware como de software, podría realizar tareas más complejas usando menos energía.
«Básicamente, emulamos experimentos realizados con babosas marinas en materiales cuánticos para comprender cómo estos materiales pueden ser de interés para la IA», dijo Ramanathan.
Los estudios de neurociencia han demostrado que la babosa de mar demuestra habituación cuando deja de retirar su branquia tanto en respuesta a ser golpeada en el sifón. Pero una descarga eléctrica en su cola hace que su branquia se retraiga mucho más dramáticamente, mostrando sensibilización.
Para el óxido de níquel, el equivalente a una «retirada de branquias» es un cambio aumentado en la resistencia eléctrica. Los investigadores encontraron que la exposición repetida del material al gas hidrógeno hace que el cambio en la resistencia eléctrica del óxido de níquel disminuya con el tiempo, pero la introducción de un nuevo estímulo como el ozono aumenta en gran medida el cambio en la resistencia eléctrica.
Inspirado por estos hallazgos, un grupo de investigación dirigido por Kaushik Roy, Profesor Distinguido de Ingeniería Eléctrica e Informática Edward G. Tiedemann Jr. de Purdue, modeló el comportamiento del óxido de níquel y construyó un algoritmo que utilizó con éxito estas estrategias de habituación y sensibilización para clasificar los puntos de datos en grupos.
“El dilema estabilidad-plasticidad no está resuelto en absoluto. Pero hemos mostrado una forma de abordarlo basándonos en el comportamiento que hemos observado en un material cuántico ”, dijo Roy. «Si pudiéramos convertir un material que aprende así en hardware en el futuro, entonces la IA podría realizar tareas de manera mucho más eficiente».
Para el uso práctico de materiales cuánticos como hardware de inteligencia artificial, los investigadores deberán descubrir cómo aplicar la habituación y la sensibilización en sistemas a gran escala. También tendrían que determinar cómo un material podría responder a los estímulos mientras está integrado en un chip de computadora.
Este estudio es un punto de partida para orientar los próximos pasos, dijeron los investigadores. Además de los experimentos realizados en Purdue, un equipo de la Universidad de Rutgers realizó cálculos teóricos detallados para comprender lo que estaba sucediendo dentro del óxido de níquel a un nivel microscópico para imitar las características de inteligencia de la babosa marina. El Laboratorio Nacional Argonne caracterizó las propiedades de la muestra de óxido de níquel y la Universidad de Georgia midió la conductividad para analizar más a fondo el comportamiento del material.
El trabajo recibió fondos de múltiples entidades, incluida la Fundación Nacional de Ciencias, la Oficina de Investigación Científica de la Fuerza Aérea, la Oficina de Investigación del Ejército, la Oficina de Investigación Naval y el Centro de Computación Inspirada en el Cerebro, un centro del Programa de Microelectrónica de la Universidad Conjunta patrocinado por la Semiconductor Research Corporation y la Agencia de Proyectos de Investigación Avanzada de Defensa. La investigación utilizó los recursos de Advanced Photon Source, una instalación para usuarios de la Oficina de Ciencias del Departamento de Energía de EE. UU. Operada para la Oficina de Ciencias del DOE por el Laboratorio Nacional Argonne.
Acerca de la Universidad de Purdue
Purdue University es una de las principales instituciones de investigación pública que desarrolla soluciones prácticas para los desafíos más difíciles de la actualidad. Clasificada en cada uno de los últimos cuatro años como una de las 10 universidades más innovadoras de los Estados Unidos por US News & World Report, Purdue ofrece investigaciones que cambian el mundo y descubrimientos fuera de este mundo. Comprometido con el aprendizaje práctico y en línea en el mundo real, Purdue ofrece una educación transformadora para todos. Comprometido con la asequibilidad y la accesibilidad, Purdue ha congelado la matrícula y la mayoría de las tarifas en los niveles de 2012-13, lo que permite que más estudiantes que nunca se gradúen sin deudas. Vea cómo Purdue nunca se detiene en la persecución persistente del próximo gran salto en https://purdue.edu/.
Escritor, contacto con los medios: Kayla Wiles, 765-494-2432, wiles5@purdue.edu
Fuentes: Shriram Ramanathan, shriram@purdue.edu
Kaushik Roy, kaushik@purdue.edu
ABSTRACTO
Aprendizaje neuromórfico con el aislante Mott NiO
Zhen Zhang, Sandip Mondal, Subhasish Mandal, Jason M. Allred, Neda Alsadat Aghamiri, Alireza Fali, Zhan Zhang, Hua Zhou, Hui Cao, Fanny Rodolakis, Jessica L. McChesney, Qi Wang, Yifei Sun, Yohannes Abate, Kaushik Roy, Karin M. Rabe, Shriram Ramanathan
DOI
La habituación y la sensibilización (aprendizaje no asociativo) se encuentran entre las formas más fundamentales de comportamiento de aprendizaje y memoria presentes en los organismos que permite la adaptación y el aprendizaje en entornos dinámicos. Emular las características de la inteligencia que se encuentran en la naturaleza en estado sólido puede servir de inspiración para simulaciones algorítmicas en redes neuronales artificiales y su uso potencial en la computación neuromórfica. Aquí, demostramos el aprendizaje no asociativo con un aislante Mott prototípico, óxido de níquel (NiO), bajo una variedad de estímulos externos a temperatura ambiente y por encima de ella. Similar a especies biológicas como Aplysia, la habituación y sensibilización de NiO posee una plasticidad dependiente del tiempo que se basa tanto en la fuerza como en el intervalo de tiempo entre los estímulos. La combinación de enfoques experimentales y cálculos de primeros principios revelan que tal comportamiento de aprendizaje de NiO resulta de la modulación dinámica de su defecto y estructura electrónica. Se simula un modelo de red neuronal artificial inspirado en dicho aprendizaje no asociativo para mostrar las ventajas de la tarea de agrupación no supervisada en cuanto a precisión y reducción de la interferencia catastrófica, lo que podría ayudar a mitigar el dilema estabilidad-plasticidad. Por lo tanto, los aisladores Mott pueden servir como bloques de construcción para examinar el comportamiento de aprendizaje observado en biología e inspirar nuevos algoritmos de aprendizaje para la inteligencia artificial.