La computación bioinspirada , abreviatura de computación inspirada biológicamente , es un campo de estudio que busca resolver problemas informáticos utilizando modelos de biología. Se relaciona con el conexionismo , el comportamiento social y la emergencia . Dentro de la informática , la computación bioinspirada se relaciona con la inteligencia artificial y el aprendizaje automático. La computación bioinspirada es un subconjunto importante de la computación natural .
Ideas tempranas
Las ideas detrás de la computación biológica se remontan a 1936 y la primera descripción de una computadora abstracta, que ahora se conoce como máquina de Turing . Turing describió por primera vez la construcción abstracta utilizando un espécimen biológico. Turing imaginó un matemático que tiene tres atributos importantes. [1] Siempre tiene un lápiz con borrador, una cantidad ilimitada de papeles y un par de ojos que funcionan. Los ojos le permiten al matemático ver y percibir cualquier símbolo escrito en el papel, mientras que el lápiz le permite escribir y borrar cualquier símbolo que quiera. Por último, el papel ilimitado le permite almacenar todo lo que quiera en la memoria. Usando estas ideas, pudo describir una abstracción de la computadora digital moderna. Sin embargo, Turing mencionó que cualquier cosa que pueda realizar estas funciones puede considerarse una máquina de este tipo e incluso dijo que ni siquiera la electricidad debería ser necesaria para describir la computación digital y el pensamiento de la máquina en general. [2]
Redes neuronales
Descritas por primera vez en 1943 por Warren McCulloch y Walter Pitts, las redes neuronales son un ejemplo predominante de sistemas biológicos que inspiran la creación de algoritmos informáticos. [3] Primero describieron matemáticamente que un sistema de neuronas simplistas era capaz de producir operaciones lógicas simples como la conjunción lógica , la disyunción y la negación . Además, demostraron que un sistema de redes neuronales puede usarse para realizar cualquier cálculo que requiera memoria finita. Alrededor de 1970, la investigación en torno a las redes neuronales se desaceleró y muchos consideran un libro de 1969 de Marvin Minsky y Seymour Papert como la causa principal. [4] [5] Su libro mostró que los modelos de redes neuronales solo podían modelar sistemas basados en funciones booleanas que son verdaderas solo después de un cierto valor umbral. Tales funciones también se conocen como funciones de umbral . El libro también mostró que una gran cantidad de sistemas no se pueden representar como tales, lo que significa que una gran cantidad de sistemas no pueden ser modelados por redes neuronales. Otro libro de James Rumelhart y David McClelland en 1986 volvió a poner las redes neuronales en el centro de atención al demostrar el algoritmo de retropropagación lineal, algo que permitió el desarrollo de redes neuronales multicapa que no se adhirieron a esos límites. [6]
Colonias de hormigas
Douglas Hofstadter en 1979 describió una idea de un sistema biológico capaz de realizar cálculos inteligentes aunque los individuos que componen el sistema podrían no ser inteligentes. [7] Más específicamente, dio el ejemplo de una colonia de hormigas que puede llevar a cabo tareas inteligentes juntas pero cada hormiga individual no puede exhibir algo llamado " comportamiento emergente ". Azimi et al. en 2009 mostraron que lo que describieron como el algoritmo de "colonia de hormigas", un algoritmo de agrupamiento que es capaz de generar el número de clústeres y producir clústeres finales altamente competitivos comparables a otros algoritmos tradicionales. [8] Por último, Hölder y Wilson en 2009 concluyeron utilizando datos históricos que las hormigas han evolucionado para funcionar como una única colonia de "superoganismo". [9] Un resultado muy importante ya que sugirió que los algoritmos evolutivos de selección de grupos acoplados con algoritmos similares a la "colonia de hormigas" pueden usarse potencialmente para desarrollar algoritmos más poderosos.
Algunas áreas de estudio de la informática inspirada en la biología y sus contrapartes biológicas:
La computación bioinspirada se puede distinguir de la inteligencia artificial tradicional por su enfoque del aprendizaje informático. La computación bioinspirada utiliza un enfoque evolutivo, mientras que la IA tradicional utiliza un enfoque " creacionista ". La computación bioinspirada comienza con un conjunto de reglas simples y organismos simples que se adhieren a esas reglas. Con el tiempo, estos organismos evolucionan dentro de restricciones simples. Este método podría considerarse de abajo hacia arriba o descentralizado . En la inteligencia artificial tradicional, la inteligencia a menudo se programa desde arriba: el programador es el creador, hace algo y lo imbuye con su inteligencia.
La computación bioinspirada puede utilizarse para entrenar a un insecto virtual. El insecto está entrenado para navegar en un terreno desconocido en busca de alimento, equipado con seis reglas simples:
El insecto virtual controlado por la red neuronal de picos entrenada puede encontrar comida después del entrenamiento en cualquier terreno desconocido. [10] Después de varias generaciones de aplicación de reglas, suele suceder que surjan algunas formas de comportamiento complejo . La complejidad se acumula hasta que el resultado es algo notablemente complejo y, muy a menudo, completamente contrario a lo que se esperaría que produjeran las reglas originales (ver sistemas complejos ). Por esta razón, al modelar la red neuronal , es necesario modelar con precisión una red in vivo , mediante la recopilación en vivo de coeficientes de "ruido" que se pueden usar para refinar la inferencia estadística y la extrapolación a medida que aumenta la complejidad del sistema. [11]
La evolución natural es una buena analogía de este método: las reglas de la evolución ( selección , recombinación /reproducción, mutación y, más recientemente, transposición ) son, en principio, reglas simples, pero a lo largo de millones de años han producido organismos notablemente complejos. Una técnica similar se utiliza en los algoritmos genéticos .
La computación inspirada en el cerebro se refiere a modelos y métodos computacionales que se basan principalmente en el mecanismo del cerebro, en lugar de imitar completamente el cerebro. El objetivo es permitir que la máquina realice varias capacidades cognitivas y mecanismos de coordinación de los seres humanos de una manera inspirada en el cerebro y, finalmente, alcance o supere el nivel de inteligencia humana.
Los investigadores de inteligencia artificial ahora son conscientes de los beneficios de aprender del mecanismo de procesamiento de información del cerebro. Y el progreso de la neurociencia y la neurociencia también proporciona la base necesaria para que la inteligencia artificial aprenda del mecanismo de procesamiento de información del cerebro. Los investigadores del cerebro y la neurociencia también están tratando de aplicar la comprensión del procesamiento de información del cerebro a una gama más amplia de campos científicos. El desarrollo de la disciplina se beneficia del impulso de la tecnología de la información y la tecnología inteligente y, a su vez, el cerebro y la neurociencia también inspirarán a la próxima generación de la transformación de la tecnología de la información.
Los avances en el cerebro y la neurociencia, especialmente con la ayuda de nuevas tecnologías y nuevos equipos, ayudan a los investigadores a obtener evidencia biológica multiescala y multitipo del cerebro a través de diferentes métodos experimentales, y están tratando de revelar la estructura de la biointeligencia desde diferentes aspectos y bases funcionales. Desde las neuronas microscópicas, los mecanismos de trabajo sináptico y sus características, hasta el modelo de conexión de red mesoscópica , hasta los vínculos en el intervalo cerebral macroscópico y sus características sinérgicas, la estructura multiescala y los mecanismos funcionales de los cerebros derivados de estos estudios experimentales y mecanicistas proporcionarán una inspiración importante para construir un futuro modelo informático inspirado en el cerebro. [12]
En términos generales, un chip inspirado en el cerebro se refiere a un chip diseñado con referencia a la estructura de las neuronas del cerebro humano y al modo cognitivo del cerebro humano. Obviamente, el " chip neuromórfico " es un chip inspirado en el cerebro que se centra en el diseño de la estructura del chip con referencia al modelo de neuronas del cerebro humano y su estructura tisular, lo que representa una dirección importante de la investigación de chips inspirados en el cerebro. Junto con el surgimiento y desarrollo de "planes cerebrales" en varios países, han surgido una gran cantidad de resultados de investigación sobre chips neuromórficos, que han recibido una amplia atención internacional y son bien conocidos por la comunidad académica y la industria. Por ejemplo, SpiNNaker y BrainScaleS respaldados por la UE, Neurogrid de Stanford , TrueNorth de IBM y Zeroth de Qualcomm .
TrueNorth es un chip inspirado en el cerebro que IBM lleva desarrollando casi 10 años. El programa estadounidense DARPA ha financiado a IBM para desarrollar chips de redes neuronales pulsadas para el procesamiento inteligente desde 2008. En 2011, IBM desarrolló por primera vez dos prototipos de silicio cognitivos simulando estructuras cerebrales que podrían aprender y procesar información como el cerebro. Cada neurona de un chip inspirado en el cerebro está interconectada con un paralelismo masivo. En 2014, IBM lanzó un chip inspirado en el cerebro de segunda generación llamado "TrueNorth". En comparación con los chips inspirados en el cerebro de primera generación, el rendimiento del chip TrueNorth ha aumentado drásticamente, y el número de neuronas ha aumentado de 256 a 1 millón; el número de sinapsis programables ha aumentado de 262.144 a 256 millones; funcionamiento subsináptico con un consumo total de energía de 70 mW y un consumo de energía de 20 mW por centímetro cuadrado. Al mismo tiempo, TrueNorth maneja un volumen nuclear de solo 1/15 de la primera generación de chips cerebrales. En la actualidad, IBM ha desarrollado un prototipo de computadora neuronal que utiliza 16 chips TrueNorth con capacidades de procesamiento de video en tiempo real. [13] Los indicadores superaltos y la excelencia del chip TrueNorth han causado un gran revuelo en el mundo académico al comienzo de su lanzamiento.
En 2012, el Instituto de Tecnología Informática de la Academia China de Ciencias (CAS) y el Instituto Francés de Investigación de Tecnología Informática (INRIA) colaboraron para desarrollar el primer chip del mundo compatible con la arquitectura de procesador de red neuronal profunda "Cambrian". [14] La tecnología ha ganado las mejores conferencias internacionales en el campo de la arquitectura informática, ASPLOS y MICRO, y su método de diseño y rendimiento han sido reconocidos internacionalmente. El chip puede utilizarse como un representante destacado de la dirección de investigación de los chips inspirados en el cerebro.
El cerebro humano es un producto de la evolución. Aunque su estructura y mecanismo de procesamiento de información se optimizan constantemente, los compromisos en el proceso de evolución son inevitables. El sistema nervioso craneal es una estructura de múltiples escalas. Todavía hay varios problemas importantes en el mecanismo de procesamiento de información en cada escala, como la estructura de conexión fina de las escalas neuronales y el mecanismo de retroalimentación a escala cerebral. Por lo tanto, incluso un cálculo exhaustivo del número de neuronas y sinapsis es solo 1/1000 del tamaño del cerebro humano, y todavía es muy difícil de estudiar en el nivel actual de investigación científica. [15] Los avances recientes en simulación cerebral vincularon la variabilidad individual en la velocidad de procesamiento cognitivo humano y la inteligencia fluida con el equilibrio de excitación e inhibición en las redes cerebrales estructurales , la conectividad funcional , la toma de decisiones de ganador se lleva todo y la memoria de trabajo atractora . [16]
En la investigación futura del modelo de computación cerebral cognitiva, es necesario modelar el sistema de procesamiento de información cerebral basado en los resultados del análisis de datos del sistema neuronal cerebral de múltiples escalas, construir un modelo de computación de red neuronal de múltiples escalas inspirado en el cerebro y simular la multimodalidad del cerebro en múltiples escalas. Capacidad de comportamiento inteligente como la percepción, el autoaprendizaje y la memoria, y la elección. Los algoritmos de aprendizaje automático no son flexibles y requieren datos de muestra de alta calidad que se etiquetan manualmente a gran escala. Los modelos de entrenamiento requieren una gran sobrecarga computacional. La inteligencia artificial inspirada en el cerebro aún carece de capacidad cognitiva avanzada y capacidad de aprendizaje inferencial.
La mayoría de los chips inspirados en el cerebro existentes todavía se basan en la investigación de la arquitectura de von Neumann, y la mayoría de los materiales de fabricación de chips todavía utilizan materiales semiconductores tradicionales. El chip neuronal solo toma prestada la unidad más básica de procesamiento de información cerebral. El sistema informático más básico, como el almacenamiento y la fusión computacional, el mecanismo de descarga de pulsos, el mecanismo de conexión entre neuronas, etc., y el mecanismo entre unidades de procesamiento de información de diferentes escalas no se han integrado en el estudio de la arquitectura informática inspirada en el cerebro. Ahora, una importante tendencia internacional es desarrollar componentes informáticos neuronales como memristores cerebrales, contenedores de memoria y sensores sensoriales basados en nuevos materiales como los nanómetros, apoyando así la construcción de arquitecturas informáticas inspiradas en el cerebro más complejas. El desarrollo de computadoras inspiradas en el cerebro y sistemas informáticos cerebrales a gran escala basados en el desarrollo de chips inspirados en el cerebro también requiere un entorno de software correspondiente para respaldar su amplia aplicación.
{{cite book}}: |journal=ignorado ( ayuda )(los siguientes se presentan en orden ascendente de complejidad y profundidad, y se sugiere que aquellos nuevos en el campo comiencen desde arriba)