Este artículo de resumen de investigación se basa en el documento. ‘Sinapsis memtransistivas de cambio de fase para cálculos neuronales de plasticidad mixta’
Los cerebros humanos son excepcionalmente buenos para recordar y aprender nueva información. Esta capacidad cerebral se atribuye a cómo los datos son almacenados y procesados por los bloques de construcción llamados sinapsis y neuronas. La inteligencia artificial emplea elementos de redes neuronales que imitan las características biofísicas de estos componentes.
Para distinguir las numerosas propiedades de los objetos que cambian dinámicamente, la IA requiere una amplia formación. Sin embargo, todavía hay una variedad de actividades que son simples para los humanos pero que necesitan mucha potencia computacional para la IA. Algunos ejemplos incluyen la percepción sensorial, el aprendizaje motor y la resolución iterativa de problemas matemáticos con flujos de entrada continuos y secuenciales.
Investigadores del laboratorio de IBM en Zúrich han argumentado que estas técnicas de reconocimiento podrían mejorarse mejorando el hardware de IA. El objetivo es utilizar la conocida tecnología de memoria de cambio de fase (PCM) para desarrollar un nuevo tipo de sinapsis artificial. Los investigadores emplean una sinapsis memtransitiva PCM, que combina memristores, un elemento de memoria electrónica no volátil y transistores en un solo dispositivo de bajo consumo. Esto muestra una arquitectura informática en memoria que no es de Von Neumann que ofrece varios marcos cognitivos potentes para aplicaciones de ML, como plasticidad dependiente de picos de tiempo a corto plazo y redes neuronales probabilísticas de Hopfield.
El objetivo principal del hardware de IA actual es producir sinapsis o uniones sinápticas más pequeñas para que quepan más en un espacio determinado. Están diseñados para imitar la plasticidad a largo plazo de las sinapsis biológicas. Los pesos sinápticos permanecen constantes a lo largo del tiempo, cambiando solo durante las actualizaciones.
Para los procesadores de IA escalables, el hardware actual que puede representar estas complicadas reglas de plasticidad y la dinámica de las sinapsis biológicas se basa en intrincados circuitos de transistores, que son voluminosos y derrochan energía. Por otro lado, los dispositivos memristivos son más eficientes, pero carecen de las propiedades necesarias para registrar varios procesos sinápticos.
Los investigadores querían construir una sinapsis memristiva que pudiera expresar diversas reglas de plasticidad a nanoescala, como la plasticidad a largo y corto plazo y sus combinaciones, utilizando PCM comercial. Combinaron la no volatilidad (de las transiciones de fase amorfa-cristalina) y la volatilidad (de los cambios en la electrostática) en los PCM.
Sugirió