stringtranslate.com

Ingeniería neuromórfica

La computación neuromórfica es un enfoque de la informática inspirado en la estructura y función del cerebro humano. [1] [2] Una computadora/chip neuromórfico es cualquier dispositivo que utiliza neuronas físicas artificiales para realizar cálculos. [3] [4] En tiempos recientes, el término neuromórfico se ha utilizado para describir sistemas VLSI analógicos , digitales , analógicos/digitales de modo mixto y sistemas de software que implementan modelos de sistemas neuronales (para percepción , control motor o integración multisensorial ). . La implementación de la computación neuromórfica a nivel de hardware se puede realizar mediante memristores basados ​​en óxido , [5] memorias espintrónicas , interruptores de umbral, transistores , [6] [4] entre otros. El entrenamiento de sistemas neuromórficos basados ​​en software de redes neuronales con picos se puede lograr usando la retropropagación de errores, por ejemplo, usando marcos basados ​​en Python como snnTorch, [7] o usando reglas de aprendizaje canónicas de la literatura sobre aprendizaje biológico, por ejemplo, usando BindsNet. [8]

Un aspecto clave de la ingeniería neuromórfica es comprender cómo la morfología de las neuronas individuales, los circuitos, las aplicaciones y las arquitecturas generales crea cálculos deseables, afecta la forma en que se representa la información , influye en la solidez al daño, incorpora el aprendizaje y el desarrollo, se adapta al cambio local (plasticidad), y facilita el cambio evolutivo.

La ingeniería neuromórfica es una materia interdisciplinaria que se inspira en la biología , la física , las matemáticas , la informática y la ingeniería electrónica [4] para diseñar sistemas neuronales artificiales , como sistemas de visión , sistemas cabeza-ojo, procesadores auditivos y robots autónomos, cuyas funciones físicas Los principios de arquitectura y diseño se basan en los de los sistemas nerviosos biológicos. [9] Una de las primeras aplicaciones de la ingeniería neuromórfica fue propuesta por Carver Mead [10] a finales de los años 1980.

Inspiración neurológica

La ingeniería neuromórfica se distingue por ahora por la inspiración que toma de lo que sabemos sobre la estructura y el funcionamiento del cerebro . La ingeniería neuromórfica traduce lo que sabemos sobre el funcionamiento del cerebro en sistemas informáticos. El trabajo se ha centrado principalmente en replicar la naturaleza analógica de la computación biológica y el papel de las neuronas en la cognición .

Los procesos biológicos de las neuronas y sus sinapsis son tremendamente complejos y, por tanto, muy difíciles de simular artificialmente. Una característica clave de los cerebros biológicos es que todo el procesamiento de las neuronas utiliza señales químicas analógicas . Esto dificulta la replicación de cerebros en computadoras porque la generación actual de computadoras es completamente digital. Sin embargo, las características de estas partes pueden resumirse en funciones matemáticas que capturan fielmente la esencia de las operaciones de la neurona.

El objetivo de la computación neuromórfica no es imitar perfectamente el cerebro y todas sus funciones, sino extraer lo que se sabe de su estructura y operaciones para utilizarlo en un sistema informático práctico. Ningún sistema neuromórfico pretenderá ni intentará reproducir todos los elementos de las neuronas y las sinapsis, pero todos se adhieren a la idea de que la computación está altamente distribuida a lo largo de una serie de pequeños elementos informáticos análogos a una neurona. Si bien este sentimiento es estándar, los investigadores persiguen este objetivo con diferentes métodos. [11]

Ejemplos

Ya en 2006, investigadores del Georgia Tech publicaron una matriz neuronal programable en campo. [12] Este chip fue el primero de una línea de conjuntos cada vez más complejos de transistores de puerta flotante que permitían la programabilidad de la carga en las puertas de los MOSFET para modelar las características de los iones de canal de las neuronas en el cerebro y fue uno de los primeros casos de un Conjunto de neuronas programables de silicio.

En noviembre de 2011, un grupo de investigadores del MIT creó un chip de computadora que imita la comunicación analógica basada en iones en una sinapsis entre dos neuronas utilizando 400 transistores y técnicas de fabricación estándar CMOS . [13] [14]

En junio de 2012, investigadores de espintrónica de la Universidad Purdue presentaron un artículo sobre el diseño de un chip neuromórfico que utiliza válvulas de espín laterales y memristores . Argumentan que la arquitectura funciona de manera similar a la de las neuronas y, por lo tanto, puede usarse para probar métodos de reproducción del procesamiento del cerebro. Además, estos chips son significativamente más eficientes energéticamente que los convencionales. [15]

La investigación en los laboratorios HP sobre memristores Mott ha demostrado que, si bien pueden ser no volátiles , el comportamiento volátil exhibido a temperaturas significativamente inferiores a la temperatura de transición de fase se puede aprovechar para fabricar un neuristor , [16] un dispositivo de inspiración biológica que imita el comportamiento encontrado. en las neuronas. [16] En septiembre de 2013, presentaron modelos y simulaciones que muestran cómo el comportamiento de pico de estos neuristores se puede utilizar para formar los componentes necesarios para una máquina de Turing . [17]

Neurogrid , construido por Brains in Silicon en la Universidad de Stanford , [18] es un ejemplo de hardware diseñado utilizando principios de ingeniería neuromórfica. La placa de circuito se compone de 16 chips diseñados a medida, denominados NeuroCores. El circuito analógico de cada NeuroCore está diseñado para emular elementos neuronales para 65536 neuronas, maximizando la eficiencia energética. Las neuronas emuladas están conectadas mediante circuitos digitales diseñados para maximizar el rendimiento de los picos. [19] [20]

Un proyecto de investigación con implicaciones para la ingeniería neuromórfica es el Human Brain Project, que intenta simular un cerebro humano completo en una supercomputadora utilizando datos biológicos. Está formado por un grupo de investigadores en neurociencia, medicina e informática. [21] Henry Markram , codirector del proyecto, ha declarado que el proyecto propone establecer una base para explorar y comprender el cerebro y sus enfermedades, y utilizar ese conocimiento para construir nuevas tecnologías informáticas. Los tres objetivos principales del proyecto son comprender mejor cómo encajan y funcionan juntas las piezas del cerebro, comprender cómo diagnosticar y tratar objetivamente enfermedades cerebrales y utilizar la comprensión del cerebro humano para desarrollar computadoras neuromórficas. El hecho de que la simulación de un cerebro humano completo requiera una supercomputadora potente fomenta el interés actual en las computadoras neuromórficas. [22] La Comisión Europea ha asignado 1.300 millones de dólares al proyecto . [23]

Otras investigaciones con implicaciones para la ingeniería neuromórfica involucran la Iniciativa BRAIN [24] y el chip TrueNorth de IBM . [25] También se han demostrado dispositivos neuromórficos utilizando nanocristales, nanocables y polímeros conductores. [26] También se está desarrollando un dispositivo memristivo para arquitecturas neuromórficas cuánticas. [27] En 2022, investigadores del MIT informaron sobre el desarrollo de sinapsis artificiales inspiradas en el cerebro , utilizando el ion protón ( H+
), para ' aprendizaje profundo analógico '. [28] [29]

Intel presentó su chip de investigación neuromórfica, llamado " Loihi ", en octubre de 2017. El chip utiliza una red neuronal de picos asíncronos (SNN) para implementar cálculos paralelos de grano fino basados ​​en eventos automodificables y adaptables que se utilizan para implementar el aprendizaje y la inferencia con alta eficiencia. . [30] [31]

IMEC , un centro de investigación en nanoelectrónica con sede en Bélgica, demostró el primer chip neuromórfico de autoaprendizaje del mundo. El chip inspirado en el cerebro, basado en la tecnología OxRAM, tiene la capacidad de autoaprendizaje y se ha demostrado que tiene la capacidad de componer música. [32] IMEC publicó la melodía de 30 segundos compuesta por el prototipo. El chip se cargó secuencialmente con canciones con el mismo compás y estilo. Las canciones eran antiguos minuetos de flauta belga y francesa, de los cuales el chip aprendía las reglas del juego y luego las aplicaba. [33]

El Proyecto Cerebro Azul , dirigido por Henry Markram, tiene como objetivo construir simulaciones y reconstrucciones digitales biológicamente detalladas del cerebro del ratón. El Blue Brain Project ha creado modelos in silico de cerebros de roedores, al tiempo que intenta replicar tantos detalles sobre su biología como sea posible. Las simulaciones basadas en supercomputadoras ofrecen nuevas perspectivas para comprender la estructura y funciones del cerebro.

La Unión Europea financió una serie de proyectos en la Universidad de Heidelberg, que llevaron al desarrollo de BrainScaleS (computación multiescala inspirada en el cerebro en sistemas híbridos neuromórficos), una supercomputadora neuromórfica analógica híbrida ubicada en la Universidad de Heidelberg, Alemania. Fue desarrollado como parte de la plataforma de computación neuromórfica Human Brain Project y es el complemento de la supercomputadora SpiNNaker (que se basa en tecnología digital). La arquitectura utilizada en BrainScaleS imita las neuronas biológicas y sus conexiones a nivel físico; Además, dado que los componentes están hechos de silicio, estas neuronas modelo funcionan en promedio 864 veces (24 horas de tiempo real son 100 segundos en la simulación de la máquina) que sus contrapartes biológicas. [34]

En 2019, la Unión Europea financió el proyecto "Computación cuántica neuromórfica" [35] que explora el uso de la computación neuromórfica para realizar operaciones cuánticas. La computación cuántica neuromórfica [36] (abreviada como 'n.computación cuántica') es un tipo de computación no convencional que utiliza la computación neuromórfica para realizar operaciones cuánticas. [37] [38] Se sugirió que los algoritmos cuánticos , que son algoritmos que se ejecutan en un modelo realista de computación cuántica , se pueden calcular con la misma eficiencia que la computación cuántica neuromórfica. [39] [40] [41] [42] [43] Tanto la computación cuántica tradicional como la computación cuántica neuromórfica son enfoques informáticos no convencionales basados ​​en la física y no siguen la arquitectura de von Neumann . Ambos construyen un sistema (un circuito) que representa el problema físico en cuestión y luego aprovechan sus respectivas propiedades físicas del sistema para buscar el "mínimo". La computación cuántica neuromórfica y la computación cuántica comparten propiedades físicas similares durante la computación. [43] [44]

Brainchip anunció en octubre de 2021 que estaba recibiendo pedidos para sus kits de desarrollo de procesadores Akida AI [45] y en enero de 2022 que estaba recibiendo pedidos para sus placas PCIe de procesador Akida AI, [46], lo que lo convierte en el primer procesador neuromórfico disponible comercialmente en el mundo.

Sistemas neuromemristivos

Los sistemas neuromemristivos son una subclase de sistemas informáticos neuromórficos que se centran en el uso de memristores para implementar la neuroplasticidad . Mientras que la ingeniería neuromórfica se centra en imitar el comportamiento biológico, los sistemas neuromemristivos se centran en la abstracción. [47] Por ejemplo, un sistema neuromemristivo puede reemplazar los detalles del comportamiento de un microcircuito cortical con un modelo abstracto de red neuronal. [48]

Existen varias funciones lógicas de umbral inspiradas en neuronas [5] implementadas con memristores que tienen aplicaciones en aplicaciones de reconocimiento de patrones de alto nivel . Algunas de las aplicaciones reportadas recientemente incluyen reconocimiento de voz , [49] reconocimiento facial [50] y reconocimiento de objetos . [51] También encuentran aplicaciones en la sustitución de puertas lógicas digitales convencionales. [52] [53]

Para circuitos memristivos pasivos (cuasi) ideales, la evolución de las memorias memristivas se puede escribir en forma cerrada ( ecuación Caravelli-Traversa-Di Ventra ): [54] [55]

en función de las propiedades de la red memristiva física y de las fuentes externas. La ecuación es válida para el caso del modelo de juguete original de Williams-Strukov, como en el caso de los memristores ideales . Sin embargo, la hipótesis de la existencia de un memristor ideal es discutible. [56] En la ecuación anterior, es la constante de la escala de tiempo de "olvido", típicamente asociada a la volatilidad de la memoria, mientras que es la relación entre los valores de encendido y apagado de las resistencias límite de los memristores, es el vector de las fuentes del circuito y es un proyector sobre los bucles fundamentales del circuito. La constante tiene la dimensión de un voltaje y está asociada a las propiedades del memristor; su origen físico es la movilidad de la carga en el conductor. La matriz diagonal y el vector y respectivamente, son en cambio el valor interno de los memristores, con valores entre 0 y 1. Por lo tanto, esta ecuación requiere agregar restricciones adicionales a los valores de la memoria para que sea confiable.

Recientemente se ha demostrado que la ecuación anterior presenta fenómenos de efecto túnel y se utiliza para estudiar las funciones de Lyapunov. [57] [55]

Sensores neuromórficos

El concepto de sistemas neuromórficos puede extenderse a los sensores (no sólo a la computación). Un ejemplo de esto aplicado a la detección de luz es el sensor retinomórfico o, cuando se emplea en conjunto, la cámara de eventos . Todos los píxeles de una cámara de eventos registran cambios en los niveles de brillo individualmente, lo que hace que estas cámaras sean comparables a la vista humana en su consumo de energía teórico. [58] En 2022, investigadores del Instituto Max Planck para la Investigación de Polímeros informaron sobre una neurona artificial orgánica que exhibe la diversidad de señales de las neuronas biológicas mientras opera en el software húmedo biológico, lo que permite aplicaciones de detección neuromórfica in situ y biointerfaz. [59] [60]

Aplicaciones militares

El Centro Conjunto de Inteligencia Artificial , una rama del ejército estadounidense, es un centro dedicado a la adquisición e implementación de software de IA y hardware neuromórfico para uso en combate. Las aplicaciones específicas incluyen auriculares/gafas inteligentes y robots. JAIC tiene la intención de depender en gran medida de la tecnología neuromórfica para conectar "cada sensor (a) cada tirador" dentro de una red de unidades habilitadas para neuromórficas.

Consideraciones éticas y legales

Si bien el concepto interdisciplinario de ingeniería neuromórfica es relativamente nuevo, muchas de las mismas consideraciones éticas se aplican a los sistemas neuromórficos que se aplican a las máquinas de tipo humano y a la inteligencia artificial en general. Sin embargo, el hecho de que los sistemas neuromórficos estén diseñados para imitar un cerebro humano da lugar a cuestiones éticas únicas en torno a su uso.

Sin embargo, el debate práctico es que el hardware neuromórfico, así como las "redes neuronales" artificiales, son modelos inmensamente simplificados de cómo el cerebro opera o procesa información con una complejidad mucho menor en términos de tamaño y tecnología funcional y una estructura mucho más regular en términos de conectividad . Comparar chips neuromórficos con el cerebro es una comparación muy burda, similar a comparar un avión con un pájaro simplemente porque ambos tienen alas y cola. El hecho es que los sistemas cognitivos neuronales biológicos son muchos órdenes de magnitud más eficientes en términos de energía y computación que la IA de última generación, y la ingeniería neuromórfica es un intento de reducir esta brecha inspirándose en el mecanismo del cerebro, al igual que muchos ingenieros. Los diseños tienen características bioinspiradas .

Preocupaciones sociales

Es posible que se impongan importantes limitaciones éticas a la ingeniería neuromórfica debido a la percepción pública. [61] Eurobarómetro especial 382: Actitudes del público hacia los robots, una encuesta realizada por la Comisión Europea, encontró que el 60% de los ciudadanos de la Unión Europea querían una prohibición de los robots en el cuidado de niños, ancianos o discapacitados. Además, el 34% estaba a favor de la prohibición de los robots en la educación, el 27% en la sanidad y el 20% en el ocio. La Comisión Europea clasifica estas áreas como notablemente “humanas”. El informe cita una mayor preocupación pública por los robots que pueden imitar o replicar funciones humanas. La ingeniería neuromórfica, por definición, está diseñada para replicar la función del cerebro humano. [62]

Es probable que las preocupaciones sociales que rodean la ingeniería neuromórfica se vuelvan aún más profundas en el futuro. La Comisión Europea descubrió que los ciudadanos de la UE entre 15 y 24 años son más propensos a pensar que los robots son parecidos a humanos (en lugar de instrumentos) que los ciudadanos de la UE mayores de 55 años. Cuando se les presenta una imagen de un robot que se había definido como humano, el 75% de los ciudadanos de la UE de entre 15 y 24 años dijeron que se correspondía con la idea que tenían de los robots, mientras que sólo el 57% de los ciudadanos de la UE mayores de 55 años respondieron de la misma manera. Por lo tanto, la naturaleza humana de los sistemas neuromórficos podría colocarlos en las categorías de robots que muchos ciudadanos de la UE desearían ver prohibidos en el futuro. [62]

personalidad

A medida que los sistemas neuromórficos se han vuelto cada vez más avanzados, algunos estudiosos [ ¿quién? ] han abogado por otorgar derechos de personalidad a estos sistemas. Daniel Lim, un crítico del desarrollo tecnológico en el Human Brain Project , cuyo objetivo es avanzar en la computación inspirada en el cerebro, ha argumentado que el avance en la computación neuromórfica podría conducir a la conciencia de la máquina o a la personalidad. [63] Si estos sistemas deben ser tratados como personas , entonces muchas tareas que los humanos realizan utilizando sistemas neuromórficos, incluida su terminación, pueden ser moralmente inadmisibles ya que estos actos violarían su autonomía. [63]

Propiedad y derechos de propiedad

Existe un importante debate jurídico en torno a los derechos de propiedad y la inteligencia artificial. En Acohs Pty Ltd contra Ucorp Pty Ltd , el juez Christopher Jessup del Tribunal Federal de Australia determinó que el código fuente de las hojas de datos de seguridad de materiales no podía tener derechos de autor ya que fue generado por una interfaz de software y no por un autor humano. [64] La misma pregunta puede aplicarse a los sistemas neuromórficos: si un sistema neuromórfico imita con éxito un cerebro humano y produce una obra original, ¿quién, si es que hay alguien, debería poder reclamar la propiedad de la obra? [sesenta y cinco]

Ver también

Referencias

  1. ^ Jamón, Donhee; Parque, Hongkun; Hwang, Sungwoo; Kim, Kinam (2021). "Electrónica neuromórfica basada en copiar y pegar el cerebro". Electrónica de la naturaleza . 4 (9): 635–644. doi :10.1038/s41928-021-00646-1. ISSN  2520-1131. S2CID  240580331.
  2. ^ van de Burgt, Yoeri; Lubberman, Ewout; Más completo, Elliot J.; Keene, Scott T.; Faria, Gregorio C.; Agarwal, Japón; Marinella, Mateo J.; Alec Talin, A.; Salleo, Alberto (abril de 2017). "Un dispositivo electroquímico orgánico no volátil como sinapsis artificial de bajo voltaje para la computación neuromórfica". Materiales de la naturaleza . 16 (4): 414–418. Código Bib : 2017NatMa..16..414V. doi :10.1038/nmat4856. ISSN  1476-4660. PMID  28218920.
  3. ^ Hidromiel, Carver (1990). «Sistemas electrónicos neuromórficos» (PDF) . Actas del IEEE . 78 (10): 1629-1636. doi :10.1109/5.58356. S2CID  1169506.
  4. ^ a b C Rami A. Alzahrani; Alice C. Parker (julio de 2020). "Circuitos neuromórficos con modulación neuronal que mejoran el contenido de información de la señalización neuronal" . Conferencia internacional sobre sistemas neuromórficos 2020. págs. doi : 10.1145/3407197.3407204 . S2CID  220794387.
  5. ^ ab Maan, Alaska; Jayadevi, fiscal del distrito; James, AP (1 de enero de 2016). "Un estudio de circuitos lógicos de umbral memristivos". Transacciones IEEE sobre redes neuronales y sistemas de aprendizaje . PP (99): 1734-1746. arXiv : 1604.07121 . Código Bib : 2016arXiv160407121M. doi :10.1109/TNNLS.2016.2547842. ISSN  2162-237X. PMID  27164608. S2CID  1798273.
  6. ^ Zhou, tú; Ramanathan, S. (1 de agosto de 2015). "Memoria Mott y dispositivos neuromórficos". Actas del IEEE . 103 (8): 1289-1310. doi :10.1109/JPROC.2015.2431914. ISSN  0018-9219. S2CID  11347598.
  7. ^ Eshraghian, Jason K.; Barrio, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, girish; Bennamoun, Mahoma; Jeong, Doo Seok; Lu, Wei D. (1 de octubre de 2021). "Entrenamiento de redes neuronales potenciadas utilizando lecciones del aprendizaje profundo". arXiv : 2109.12894 [cs.NE].
  8. ^ "Hananel-Hazan/bindsnet: simulación de redes neuronales de picos (SNN) utilizando PyTorch". GitHub . 31 de marzo de 2020.
  9. ^ Boddhu, SK; Gallagher, JC (2012). "Análisis cualitativo de descomposición funcional de controladores de vuelo neuromórficos evolucionados". Inteligencia Computacional Aplicada y Soft Computing . 2012 : 1–21. doi : 10.1155/2012/705483 .
  10. ^ Hidromiel, Carver A.; Mahowald, MA (1 de enero de 1988). "Un modelo de silicio de procesamiento visual temprano". Redes neuronales . 1 (1): 91–97. doi :10.1016/0893-6080(88)90024-X. ISSN  0893-6080.
  11. ^ Furber, Steve (2016). "Sistemas informáticos neuromórficos a gran escala". Revista de ingeniería neuronal . 13 (5): 1–15. Código Bib : 2016JNEng..13e1001F. doi : 10.1088/1741-2560/13/5/051001 . PMID  27529195.
  12. ^ Farquhar, Ethan; Hasler, Pablo. (mayo de 2006). "Una matriz neuronal programable en campo". Simposio internacional IEEE 2006 sobre circuitos y sistemas . págs. 4114–4117. doi :10.1109/ISCAS.2006.1693534. ISBN 978-0-7803-9389-9. S2CID  206966013.
  13. ^ "MIT crea" chip cerebral"" . Consultado el 4 de diciembre de 2012 .
  14. ^ Poon, Chi-Sang; Zhou, Kuan (2011). "Neuronas neuromórficas de silicio y redes neuronales a gran escala: desafíos y oportunidades". Fronteras en Neurociencia . 5 : 108. doi : 10.3389/fnins.2011.00108 . PMC 3181466 . PMID  21991244. 
  15. ^ Sharad, Mrigank; Agustín, Carlos; Panagopoulos, Georgios; Roy, Kaushik (2012). "Propuesta de hardware neuromórfico mediante dispositivos de giro". arXiv : 1206.3227 [cond-mat.dis-nn].
  16. ^ ab Pickett, MD; Medeiros-Ribeiro, G.; Williams, RS (2012). "Un neuristor escalable construido con memristores Mott". Materiales de la naturaleza . 12 (2): 114–7. Código bibliográfico : 2013NatMa..12..114P. doi :10.1038/nmat3510. PMID  23241533. S2CID  16271627.
  17. ^ Matthew D Pickett y R Stanley Williams (septiembre de 2013). "Las transiciones de fase permiten la universalidad computacional en autómatas celulares basados ​​en neuristores". Nanotecnología . 24 (38). IOP Publishing Ltd. 384002. Código bibliográfico : 2013Nanot..24L4002P. doi :10.1088/0957-4484/24/38/384002. PMID  23999059. S2CID  9910142.
  18. ^ Boahen, Kwabena (24 de abril de 2014). "Neurogrid: un sistema multichip mixto analógico-digital para simulaciones neuronales a gran escala". Actas del IEEE . 102 (5): 699–716. doi :10.1109/JPROC.2014.2313565. S2CID  17176371.
  19. ^ Waldrop, M. Mitchell (2013). "Neuroelectrónica: conexiones inteligentes". Naturaleza . 503 (7474): 22–4. Código Bib :2013Natur.503...22W. doi : 10.1038/503022a . PMID  24201264.
  20. ^ Benjamín, Ben Varkey; Peiran Gao; McQuinn, Emmett; Choudhary, Swadesh; Chandrasekaran, Anand R.; Bussat, Jean-Marie; Álvarez-Icaza, Rodrigo; Arturo, Juan V.; Merolla, Paul A.; Boahen, Kwabena (2014). "Neurogrid: un sistema multichip mixto analógico-digital para simulaciones neuronales a gran escala". Actas del IEEE . 102 (5): 699–716. doi :10.1109/JPROC.2014.2313565. S2CID  17176371.
  21. ^ "Organizaciones involucradas". Archivado desde el original el 2 de marzo de 2013 . Consultado el 22 de febrero de 2013 .
  22. ^ "Proyecto Cerebro Humano" . Consultado el 22 de febrero de 2013 .
  23. ^ "El proyecto del cerebro humano y el reclutamiento de más guerreros cibernéticos". 29 de enero de 2013 . Consultado el 22 de febrero de 2013 .
  24. ^ Computación neuromórfica: la máquina de un alma nueva, The Economist, 3 de agosto de 2013
  25. ^ Modha, Dharmendra (agosto de 2014). "Un circuito integrado de un millón de neuronas con una red e interfaz de comunicación escalables". Ciencia . 345 (6197): 668–673. Código Bib : 2014 Ciencia... 345..668M. doi : 10.1126/ciencia.1254642. PMID  25104385. S2CID  12706847.
  26. ^ Fairfield, Jessamyn (1 de marzo de 2017). "Máquinas más inteligentes" (PDF) .
  27. ^ Spagnolo, Michele; Morris, Josué; Piacentini, Simone; Antesberger, Michael; Massa, Francisco; Crespi, Andrea; Ceccarelli, Francesco; Osellame, Roberto; Walther, Philip (abril de 2022). "Memristor cuántico fotónico experimental". Fotónica de la naturaleza . 16 (4): 318–323. arXiv : 2105.04867 . Código Bib : 2022NaPho..16..318S. doi :10.1038/s41566-022-00973-5. ISSN  1749-4893. S2CID  234358015.
    Artículo de noticias: "Erster "Quanten-Memristor" soll KI und Quantencomputer verbinden". DER STANDARD (en alemán austriaco) . Consultado el 28 de abril de 2022 .
    Informe resumido de Lay: "Las neuronas artificiales se vuelven cuánticas con circuitos fotónicos". Universidad de Viena . Consultado el 19 de abril de 2022 .
  28. ^ "La 'sinapsis artificial' podría hacer que las redes neuronales funcionen más como cerebros" . Científico nuevo . Consultado el 21 de agosto de 2022 .
  29. ^ Onen, Murat; Emond, Nicolás; Wang, Baoming; Zhang, Difei; Ross, Frances M.; Li, Ju; Yildiz, Sentina; del Álamo, Jesús A. (29 de julio de 2022). "Resistencias programables protónicas de nanosegundos para aprendizaje profundo analógico" (PDF) . Ciencia . 377 (6605): 539–543. Código Bib : 2022 Ciencia... 377..539O. doi : 10.1126/ciencia.abp8064. ISSN  0036-8075. PMID  35901152. S2CID  251159631.
  30. ^ Davies, Mike; et al. (16 de enero de 2018). "Loihi: un procesador neuromórfico de muchos núcleos con aprendizaje en chip". Micro IEEE . 38 (1): 82–99. doi :10.1109/MM.2018.112130359. S2CID  3608458.
  31. ^ Morris, Juan. "Por qué Intel construyó un chip neuromórfico". ZDNet . Consultado el 17 de agosto de 2018 .
  32. ^ "Imec demuestra un chip neuromórfico de autoaprendizaje que compone música". IMEC Internacional . Consultado el 1 de octubre de 2019 .
  33. ^ Bourzac, Katherine (23 de mayo de 2017). "Un chip neuromórfico que hace música". Espectro IEEE . Consultado el 1 de octubre de 2019 .
  34. ^ "Más allá de von Neumann, la computación neuromórfica avanza constantemente". Cable HPC . 21 de marzo de 2016 . Consultado el 8 de octubre de 2021 .
  35. ^ "Computación cuántica neuromórfica | Proyecto quromórfico | Hoja informativa | H2020". CORDIS | Comisión Europea . doi : 10.3030/828826 . Consultado el 18 de marzo de 2024 .
  36. ^ Pehle, cristiano; Wetterich, Christof (30 de marzo de 2021), Computación cuántica neuromórfica , arXiv : 2005.01533
  37. ^ Wetterich, C. (1 de noviembre de 2019). "Computación cuántica con bits clásicos". Física Nuclear B. 948 : 114776. arXiv : 1806.05960 . doi : 10.1016/j.nuclphysb.2019.114776. ISSN  0550-3213.
  38. ^ Pehle, cristiano; Meier, Karlheinz; Oberthaler, Markus; Wetterich, Christof (24 de octubre de 2018), Emulando la computación cuántica con redes neuronales artificiales , arXiv : 1810.10335
  39. ^ Carleo, Giuseppe; Troyer, Matthias (10 de febrero de 2017). "Resolver el problema cuántico de muchos cuerpos con redes neuronales artificiales". Ciencia . 355 (6325): 602–606. arXiv : 1606.02318 . doi : 10.1126/ciencia.aag2302. ISSN  0036-8075. PMID  28183973.
  40. ^ Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matías; Melko, Roger; Carleo, Giuseppe (mayo de 2018). "Tomografía de estado cuántico de redes neuronales". Física de la Naturaleza . 14 (5): 447–450. arXiv : 1703.05334 . doi :10.1038/s41567-018-0048-5. ISSN  1745-2481.
  41. ^ Sharir, o; Levine, Yoav; Wies, Noam; Carleo, Giuseppe; Shashua, Amnón (16 de enero de 2020). "Modelos autorregresivos profundos para la simulación variacional eficiente de sistemas cuánticos de muchos cuerpos". Cartas de revisión física . 124 (2): 020503. arXiv : 1902.04057 . doi : 10.1103/PhysRevLett.124.020503. PMID  32004039.
  42. ^ Broughton, Michael; Verdón, Guillaume; McCourt, Trevor; Martínez, Antonio J.; Yoo, Jae Hyeon; Isakov, Sergei V.; Massey, Felipe; Halavati, Ramin; Niu, Murphy Yuezhen (26 de agosto de 2021), TensorFlow Quantum: un marco de software para el aprendizaje automático cuántico , arXiv : 2003.02989
  43. ^ ab Di Ventra, Massimiliano (23 de marzo de 2022), MemComputing vs. Computación cuántica: algunas analogías y diferencias importantes , arXiv : 2203.12031
  44. ^ Wilkinson, Samuel A.; Hartmann, Michael J. (8 de junio de 2020). "Circuitos cuánticos superconductores de muchos cuerpos para simulación y computación cuántica". Letras de Física Aplicada . 116 (23). arXiv : 2003.08838 . doi :10.1063/5.0008202. ISSN  0003-6951.
  45. ^ "Recepción de pedidos de kits de desarrollo de procesadores de IA Akida". 21 de octubre de 2021.
  46. ^ "Primera placa mini PCIexpress con chip de red neuronal potente". 19 de enero de 2022.
  47. ^ "002.08 NICE Workshop 2014: Hacia la computación inteligente con circuitos y sistemas neuromemristivos - febrero de 2014". digitalops.sandia.gov . Consultado el 26 de agosto de 2019 .
  48. ^ C. Merkel y D. Kudithipudi, "Máquinas de aprendizaje extremo neuromemristivas para la clasificación de patrones", ISVLSI, 2014.
  49. ^ Maan, Alaska; James, AP; Dimitrijev, S. (2015). "Reconocedor de patrones de memristor: reconocimiento de palabras de voz aisladas". Letras de Electrónica . 51 (17): 1370-1372. Código Bib : 2015ElL....51.1370M. doi :10.1049/el.2015.1428. hdl : 10072/140989 . S2CID  61454815.
  50. ^ Maan, Akshay Kumar; Kumar, Dinesh S.; James, Alex Pappachen (1 de enero de 2014). "Reconocimiento facial de lógica de umbral memristivo". Procedia Ciencias de la Computación . Quinta Conferencia Internacional Anual sobre Arquitecturas Cognitivas de Inspiración Biológica, 2014 BICA. 41 : 98-103. doi : 10.1016/j.procs.2014.11.090 . hdl : 10072/68372 .
  51. ^ Maan, Alaska; Kumar, DS; Sugathan, S.; James, AP (1 de octubre de 2015). "Diseño de circuito lógico de umbral memristivo para detección de objetos en movimiento rápido". Transacciones IEEE en sistemas de integración a muy gran escala (VLSI) . 23 (10): 2337–2341. arXiv : 1410.1267 . doi :10.1109/TVLSI.2014.2359801. ISSN  1063-8210. S2CID  9647290.
  52. ^ James, AP; Francisco, LRVJ; Kumar, DS (1 de enero de 2014). "Lógica de umbral resistivo". Transacciones IEEE en sistemas de integración a muy gran escala (VLSI) . 22 (1): 190-195. arXiv : 1308.0090 . doi :10.1109/TVLSI.2012.2232946. ISSN  1063-8210. S2CID  7357110.
  53. ^ James, AP; Kumar, DS; Ajayan, A. (1 de noviembre de 2015). "Computación lógica de umbral: circuitos memristivos-CMOS para transformada rápida de Fourier y multiplicación védica". Transacciones IEEE en sistemas de integración a muy gran escala (VLSI) . 23 (11): 2690–2694. arXiv : 1411.5255 . doi :10.1109/TVLSI.2014.2371857. ISSN  1063-8210. S2CID  6076956.
  54. ^ Caravelo; et al. (2017). "La compleja dinámica de los circuitos memristivos: resultados analíticos y relajación lenta universal". Revisión física E. 95 (2): 022140. arXiv : 1608.08651 . Código bibliográfico : 2017PhRvE..95b2140C. doi : 10.1103/PhysRevE.95.022140. PMID  28297937. S2CID  6758362.
  55. ^ ab Caravelli; et al. (2021). "Minimización global mediante túneles clásicos asistidos por la formación de campos de fuerza colectivos". Avances científicos . 7 (52): 022140. arXiv : 1608.08651 . Código Bib : 2021SciA....7.1542C. doi :10.1126/sciadv.abh1542. PMID  28297937. S2CID  231847346.
  56. ^ Abraham, Isaac (20 de julio de 2018). "El caso para rechazar el memristor como elemento fundamental del circuito". Informes científicos . 8 (1): 10972. Código bibliográfico : 2018NatSR...810972A. doi :10.1038/s41598-018-29394-7. ISSN  2045-2322. PMC 6054652 . PMID  30030498. 
  57. ^ Sheldon, Forrest (2018). Fenómenos colectivos en redes memristivas: la fase de ingeniería pasa a la computación . Tesis y disertaciones electrónicas de UC San Diego.
  58. ^ Skorka, Orit (1 de julio de 2011). "Hacia una cámara digital que rivalice con el ojo humano". Revista de imágenes electrónicas . 20 (3): 033009. doi : 10.1117/1.3611015. ISSN  1017-9909.
  59. ^ Sarkar, Tanmoy; Lieberth, Katharina; Pavlou, Aristea; Franco, Tomás; Mailaender, Volker; McCulloch, Iain; Blom, Paul WM; Torriccelli, Fabrizio; Gkoupidenis, Paschalis (7 de noviembre de 2022). "Una neurona artificial orgánica para detección neuromórfica in situ y biointerconexión". Electrónica de la naturaleza . 5 (11): 774–783. doi : 10.1038/s41928-022-00859-y . hdl : 10754/686016 . ISSN  2520-1131. S2CID  253413801.
  60. ^ "Las neuronas artificiales emulan a sus homólogas biológicas para permitir un funcionamiento sinérgico". Electrónica de la naturaleza . 5 (11): 721–722. 10 de noviembre de 2022. doi :10.1038/s41928-022-00862-3. ISSN  2520-1131. S2CID  253469402.
  61. ^ Panel de estudio de 2015 (septiembre de 2016). Inteligencia artificial y vida en 2030 (PDF) . Estudio de cien años sobre inteligencia artificial (AI100) (Reporte). Universidad Stanford. Archivado desde el original (PDF) el 30 de mayo de 2019 . Consultado el 26 de diciembre de 2019 .{{cite report}}: Mantenimiento CS1: nombres numéricos: lista de autores ( enlace )
  62. ^ ab Comisión Europea (septiembre de 2012). "Eurobarómetro especial 382: Actitudes del público hacia los robots" (PDF) . Comisión Europea .
  63. ^ ab Lim, Daniel (1 de junio de 2014). "Simulación del cerebro y personalidad: una preocupación con el Proyecto Cerebro Humano". Ética y Tecnología de la Información . 16 (2): 77–89. doi :10.1007/s10676-013-9330-5. ISSN  1572-8439. S2CID  17415814.
  64. ^ Lavan. "Derechos de autor en código fuente y productos digitales". Lavan . Consultado el 10 de mayo de 2019 .
  65. ^ Eshraghian, Jason K. (9 de marzo de 2020). "Propiedad humana de la creatividad artificial". Inteligencia de la máquina de la naturaleza . 2 (3): 157–160. doi :10.1038/s42256-020-0161-x. S2CID  215991449.

enlaces externos

Wikimedia Commons tiene medios relacionados con la ingeniería neuromórfica .