stringtranslate.com

Computación neuromórfica

La computación neuromórfica es un enfoque de la computación que se inspira en la estructura y función del cerebro humano. [1] [2] Una computadora/chip neuromórfico es cualquier dispositivo que utiliza neuronas artificiales físicas para realizar cálculos. [3] [4] En los últimos tiempos, el término neuromórfico se ha utilizado para describir sistemas analógicos , digitales , analógicos/digitales de modo mixto VLSI y sistemas de software que implementan modelos de sistemas neuronales (para percepción , control motor o integración multisensorial ). Los avances recientes incluso han descubierto formas de imitar el sistema nervioso humano a través de soluciones líquidas de sistemas químicos. [5]

La implementación de computación neuromórfica a nivel de hardware se puede lograr mediante memristores basados ​​en óxido , [6] memorias espintrónicas , interruptores de umbral, transistores , [7] [4] entre otros. El entrenamiento de sistemas neuromórficos basados ​​en software de redes neuronales de picos se puede lograr utilizando retropropagación de errores, por ejemplo, utilizando marcos basados ​​en Python como snnTorch, [8] o utilizando reglas de aprendizaje canónico de la literatura de aprendizaje biológico, por ejemplo, utilizando BindsNet. [9]

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 cómo se representa la información , influye en la robustez al daño, incorpora el aprendizaje y el desarrollo, se adapta al cambio local (plasticidad) y facilita el cambio evolutivo.

La ingeniería neuromórfica es una disciplina 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, cuya arquitectura física y principios de diseño se basan en los de los sistemas nerviosos biológicos. [10] Una de las primeras aplicaciones de la ingeniería neuromórfica fue propuesta por Carver Mead [11] a finales de los años 1980.

Inspiración neurológica

La ingeniería neuromórfica se distingue por el hecho de que se inspira en 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 lo tanto, muy difíciles de simular artificialmente. Una característica clave de los cerebros biológicos es que todo el procesamiento en las neuronas utiliza señales químicas analógicas . Esto hace que sea difícil replicar cerebros en computadoras porque la generación actual de computadoras es completamente digital. Sin embargo, las características de estas señales químicas se pueden abstraer en funciones matemáticas que capturan de cerca 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 esta opinión es la habitual, los investigadores persiguen este objetivo con diferentes métodos. [12]

Ejemplos

Ya en 2006, investigadores de Georgia Tech publicaron una matriz neuronal programable en campo. [13] Este chip fue el primero de una línea de matrices cada vez más complejas de transistores de compuerta flotante que permitían la programabilidad de la carga en las compuertas de los MOSFET para modelar las características de los canales de iones de las neuronas en el cerebro y fue uno de los primeros casos de una matriz de neuronas programable 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 CMOS estándar . [14] [15]

En junio de 2012, investigadores de espintrónica de la Universidad de 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 las neuronas y, por lo tanto, se puede utilizar para probar métodos de reproducción del procesamiento cerebral. Además, estos chips son significativamente más eficientes energéticamente que los convencionales. [16]

Las investigaciones en HP Labs sobre los memristores Mott han 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 explotar para fabricar un neuristor , [17] un dispositivo de inspiración biológica que imita el comportamiento encontrado en las neuronas. [17] En septiembre de 2013, presentaron modelos y simulaciones que muestran cómo el comportamiento de picos de estos neuristores se puede utilizar para formar los componentes necesarios para una máquina de Turing . [18]

Neurogrid , construido por Brains in Silicon en la Universidad de Stanford , [19] es un ejemplo de hardware diseñado utilizando principios de ingeniería neuromórfica. La placa de circuito está compuesta por 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 utilizando circuitos digitales diseñados para maximizar el rendimiento de los picos. [20] [21]

Un proyecto de investigación con implicaciones para la ingeniería neuromórfica es el Proyecto Cerebro Humano que intenta simular un cerebro humano completo en una supercomputadora usando datos biológicos. Está formado por un grupo de investigadores en neurociencia, medicina e informática. [22] 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 trabajan juntas las piezas del cerebro, comprender cómo diagnosticar y tratar objetivamente las enfermedades cerebrales y utilizar la comprensión del cerebro humano para desarrollar computadoras neuromórficas. Dado que la simulación de un cerebro humano completo requerirá una supercomputadora potente, se está fomentando el enfoque actual en las computadoras neuromórficas. [23] La Comisión Europea ha asignado 1.300 millones de dólares  al proyecto . [24]

Otras investigaciones con implicaciones para la ingeniería neuromórfica involucran la Iniciativa BRAIN [25] y el chip TrueNorth de IBM . [26] También se han demostrado dispositivos neuromórficos utilizando nanocristales, nanocables y polímeros conductores. [27] También se está desarrollando un dispositivo memristivo para arquitecturas neuromórficas cuánticas. [28] En 2022, investigadores del MIT informaron sobre el desarrollo de sinapsis artificiales inspiradas en el cerebro , utilizando el ion protón ( H+
), para el ' aprendizaje profundo analógico '. [29] [30]

Intel presentó su chip de investigación neuromórfico, llamado " Loihi ", en octubre de 2017. El chip utiliza una red neuronal de picos asincrónicos (SNN) para implementar cálculos paralelos de grano fino basados ​​en eventos y automodificantes adaptativos que se utilizan para implementar el aprendizaje y la inferencia con alta eficiencia. [31] [32]

IMEC , un centro de investigación en nanoelectrónica con sede en Bélgica, presentó 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. [33] IMEC lanzó la melodía de 30 segundos compuesta por el prototipo. El chip se cargó secuencialmente con canciones en el mismo compás y estilo. Las canciones eran antiguos minuetos de flauta belgas y franceses, de los cuales el chip aprendió las reglas del juego y luego las aplicó. [34]

El proyecto Blue Brain , dirigido por Henry Markram, tiene como objetivo construir reconstrucciones digitales y simulaciones biológicamente detalladas del cerebro del ratón. El proyecto Blue Brain 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 las funciones del cerebro.

La Unión Europea financió una serie de proyectos en la Universidad de Heidelberg, que condujeron 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 desarrollada como parte de la plataforma de computación neuromórfica del Proyecto Cerebro Humano 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, como los componentes están hechos de silicio, estas neuronas modelo operan en promedio 864 veces (24 horas de tiempo real son 100 segundos en la simulación de la máquina) más rápido que sus contrapartes biológicas. [35]

En 2019, la Unión Europea financió el proyecto "Computación cuántica neuromórfica" [36] que explora el uso de la computación neuromórfica para realizar operaciones cuánticas. La computación cuántica neuromórfica [37] (abreviada como 'n.quantum computing') es un tipo de computación no convencional que utiliza la computación neuromórfica para realizar operaciones cuánticas. [38] [39] 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. [40] [41] [42] [43] [44] Tanto la computación cuántica tradicional como la computación cuántica neuromórfica son enfoques de computación no convencionales basados ​​en la física para los cálculos 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 el cálculo. [44] [45]

Brainchip anunció en octubre de 2021 que estaba aceptando pedidos de sus kits de desarrollo de procesadores Akida AI [46] y en enero de 2022 que estaba aceptando pedidos de sus placas PCIe para procesadores Akida AI, [47] lo que lo convierte en el primer procesador neuromórfico disponible comercialmente del mundo.

Sistemas neuromemorísticos

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. [48] Por ejemplo, un sistema neuromemristivo puede reemplazar los detalles del comportamiento de un microcircuito cortical con un modelo abstracto de red neuronal. [49]

Existen varias funciones lógicas de umbral inspiradas en neuronas [6] implementadas con memristores que tienen aplicaciones en aplicaciones de reconocimiento de patrones de alto nivel. Algunas de las aplicaciones informadas recientemente incluyen reconocimiento de voz , [50] reconocimiento facial [51] y reconocimiento de objetos . [52] También encuentran aplicaciones en la sustitución de puertas lógicas digitales convencionales. [53] [54]

Para circuitos memristivos pasivos (cuasi)ideales, la evolución de las memorias memristivas se puede escribir en forma cerrada ( ecuación de Caravelli–Traversa–Di Ventra ): [55] [56]

en función de las propiedades de la red memristiva física y 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. [57] En la ecuación anterior, es la constante de escala de tiempo de "olvido", típicamente asociada a la volatilidad de la memoria, mientras que es la relación de 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 en 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 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 ser confiable.

Recientemente se ha demostrado que la ecuación anterior presenta fenómenos de tunelización y se utiliza para estudiar funciones de Lyapunov. [58] [56]

Sensores neuromórficos

El concepto de sistemas neuromórficos se puede extender a los sensores (no solo a la computación). Un ejemplo de esto aplicado a la detección de luz es el sensor retinomórfico o, cuando se emplea en una matriz, la cámara de eventos . Todos los píxeles de una cámara de eventos registran los cambios en los niveles de brillo de forma individual, lo que hace que estas cámaras sean comparables a la vista humana en su consumo de energía teórico. [59] En 2022, investigadores del Instituto Max Planck para la Investigación de Polímeros informaron sobre una neurona artificial orgánica que muestra la diversidad de señales de las neuronas biológicas mientras opera en el software biológico, lo que permite aplicaciones de detección neuromórfica in situ y biointerfaz. [60] [61]

Aplicaciones militares

El Centro Conjunto de Inteligencia Artificial (JAIC) , 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. El JAIC pretende depender en gran medida de la tecnología neuromórfica para conectar "cada sensor (a) cada tirador" dentro de una red de unidades habilitadas con tecnología neuromórfica.

Consideraciones éticas y legales

Si bien el concepto interdisciplinario de ingeniería neuromórfica es relativamente nuevo, muchas de las mismas consideraciones éticas que se aplican a los sistemas neuromórficos y a las máquinas similares a los humanos y a la inteligencia artificial en general se aplican a ellos. 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 la información con una complejidad mucho menor en términos de tamaño y tecnología funcional y una estructura mucho más regular en términos de conectividad . Comparar los chips neuromórficos con el cerebro es una comparación muy burda, similar a comparar un avión con un pájaro solo 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 actual y la ingeniería neuromórfica es un intento de reducir esta brecha inspirándose en el mecanismo del cerebro, al igual que muchos diseños de ingeniería tienen características bioinspiradas .

Preocupaciones sociales

La ingeniería neuromórfica puede verse sometida a importantes limitaciones éticas debido a la percepción pública. [62] El Eurobarómetro especial 382: Actitudes públicas hacia los robots, una encuesta realizada por la Comisión Europea, descubrió que el 60% de los ciudadanos de la Unión Europea deseaba la 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 atención sanitaria y el 20% en el ocio. La Comisión Europea clasifica estas áreas como notablemente “humanas”. El informe cita una creciente preocupación pública por los robots que son capaces de imitar o replicar funciones humanas. La ingeniería neuromórfica, por definición, está diseñada para replicar la función del cerebro humano. [63]

Es probable que las preocupaciones sociales en torno a la ingeniería neuromórfica se acentúen aún más en el futuro. La Comisión Europea ha descubierto que los ciudadanos de la UE de entre 15 y 24 años tienen más probabilidades de pensar en los robots como si fueran humanos (en lugar de instrumentos) que los ciudadanos de la UE mayores de 55 años. Cuando se les presentó una imagen de un robot que se había definido como humanoide, el 75% de los ciudadanos de la UE de entre 15 y 24 años dijo que se correspondía con la idea que tenían de los robots, mientras que solo el 57% de los ciudadanos de la UE mayores de 55 años respondió de la misma manera. Por tanto, la naturaleza humana de los sistemas neuromórficos podría situarlos en las categorías de robots que muchos ciudadanos de la UE desearían que se prohibieran en el futuro. [63]

Personalidad

A medida que los sistemas neuromórficos se han vuelto cada vez más avanzados, algunos académicos [¿ quiénes? ] han abogado por otorgarles derechos de personalidad a estos sistemas. Daniel Lim, un crítico del desarrollo tecnológico en el Proyecto Cerebro Humano , que tiene como objetivo promover la computación inspirada en el cerebro, ha argumentado que el avance en la computación neuromórfica podría conducir a la conciencia de las máquinas o a la personalidad. [64] 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. [64]

Propiedad y derechos de propiedad

Existe un importante debate legal en torno a los derechos de propiedad y la inteligencia artificial. En Acohs Pty Ltd v. 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 estar protegido por derechos de autor , ya que fue generado por una interfaz de software en lugar de un autor humano. [65] 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 alguien, debería poder reclamar la propiedad de la obra? [66]

Véase también

Referencias

  1. ^ Ham, Donhee; Park, Hongkun; Hwang, Sungwoo; Kim, Kinam (2021). "Electrónica neuromórfica basada en copiar y pegar el cerebro". Nature Electronics . 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. ^ Mead, Carver (1990). "Sistemas electrónicos neuromórficos" (PDF) . Actas del IEEE . 78 (10): 1629–1636. doi :10.1109/5.58356. S2CID  1169506.
  4. ^ abc 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. 1–8. doi : 10.1145/3407197.3407204 . S2CID  220794387.
  5. ^ Tomassoli, Laura; Silva-Dias, Leonardo; Dolnik, Milos; Epstein, Irving R.; Germani, Raimondo; Gentili, Pier Luigi (8 de febrero de 2024). "Ingeniería neuromórfica en wetware: discriminación de frecuencias acústicas a través de sus efectos en ondas químicas". The Journal of Physical Chemistry B . 128 (5): 1241–1255. doi :10.1021/acs.jpcb.3c08429. ISSN  1520-6106. PMID  38285636.
  6. ^ ab Maan, AK; Jayadevi, DA; James, AP (1 de enero de 2016). "Un estudio de circuitos lógicos de umbral memristivos". IEEE Transactions on Neural Networks and Learning Systems . PP (99): 1734–1746. arXiv : 1604.07121 . Bibcode :2016arXiv160407121M. doi :10.1109/TNNLS.2016.2547842. ISSN  2162-237X. PMID  27164608. S2CID  1798273.
  7. ^ Zhou, You; Ramanathan, S. (1 de agosto de 2015). "Mott Memory and Neuromorphic Devices". Actas del IEEE . 103 (8): 1289–1310. doi :10.1109/JPROC.2015.2431914. ISSN  0018-9219. S2CID  11347598.
  8. ^ Eshraghian, Jason K.; Ward, Max; Neftci, Emre; Wang, Xinxin; Lenz, Gregor; Dwivedi, Girish; Bennamoun, Mohammed; Jeong, Doo Seok; Lu, Wei D. (1 de octubre de 2021). "Entrenamiento de redes neuronales con picos utilizando lecciones del aprendizaje profundo". arXiv : 2109.12894 [cs.NE].
  9. ^ "Hananel-Hazan/bindsnet: Simulación de redes neuronales activas (SNN) con PyTorch". GitHub . 31 de marzo de 2020.
  10. ^ Boddhu, SK; Gallagher, JC (2012). "Análisis de descomposición funcional cualitativa de controladores de vuelo neuromórficos evolucionados". Inteligencia computacional aplicada y computación blanda . 2012 : 1–21. doi : 10.1155/2012/705483 .
  11. ^ Mead, Carver A.; Mahowald, MA (1 de enero de 1988). "Un modelo de silicio del procesamiento visual temprano". Redes neuronales . 1 (1): 91–97. doi :10.1016/0893-6080(88)90024-X. ISSN  0893-6080.
  12. ^ Furber, Steve (2016). "Sistemas informáticos neuromórficos a gran escala". Journal of Neural Engineering . 13 (5): 1–15. Bibcode :2016JNEng..13e1001F. doi : 10.1088/1741-2560/13/5/051001 . PMID  27529195.
  13. ^ Farquhar, Ethan; Hasler, Paul. (Mayo de 2006). "Una matriz neuronal programable en campo". Simposio internacional IEEE sobre circuitos y sistemas de 2006. págs. 4114–4117. doi :10.1109/ISCAS.2006.1693534. ISBN 978-0-7803-9389-9.S2CID206966013  .​
  14. ^ "El MIT crea un "chip cerebral"" . Consultado el 4 de diciembre de 2012 .
  15. ^ Poon, Chi-Sang; Zhou, Kuan (2011). "Neuronas de silicio neuromórficas y redes neuronales a gran escala: desafíos y oportunidades". Frontiers in Neuroscience . 5 : 108. doi : 10.3389/fnins.2011.00108 . PMC 3181466 . PMID  21991244. 
  16. ^ Sharad, Mrigank; Augustine, Charles; Panagopoulos, Georgios; Roy, Kaushik (2012). "Propuesta de hardware neuromórfico utilizando dispositivos de espín". arXiv : 1206.3227 [cond-mat.dis-nn].
  17. ^ ab Pickett, MD; Medeiros-Ribeiro, G.; Williams, RS (2012). "Un neuristor escalable construido con memristores de Mott". Nature Materials . 12 (2): 114–7. Bibcode :2013NatMa..12..114P. doi :10.1038/nmat3510. PMID  23241533. S2CID  16271627.
  18. ^ 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. Bibcode :2013Nanot..24L4002P. doi :10.1088/0957-4484/24/38/384002. PMID  23999059. S2CID  9910142.
  19. ^ Boahen, Kwabena (24 de abril de 2014). "Neurogrid: un sistema multichip analógico-digital mixto para simulaciones neuronales a gran escala". Actas del IEEE . 102 (5): 699–716. doi :10.1109/JPROC.2014.2313565. S2CID  17176371.
  20. ^ Waldrop, M. Mitchell (2013). "Neuroelectrónica: conexiones inteligentes". Nature . 503 (7474): 22–4. Bibcode :2013Natur.503...22W. doi : 10.1038/503022a . PMID  24201264.
  21. ^ 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.
  22. ^ "Organizaciones involucradas". Archivado desde el original el 2 de marzo de 2013 . Consultado el 22 de febrero de 2013 .
  23. ^ "Proyecto Cerebro Humano" . Consultado el 22 de febrero de 2013 .
  24. ^ "El Proyecto Cerebro Humano y el reclutamiento de más guerreros cibernéticos". 29 de enero de 2013. Consultado el 22 de febrero de 2013 .
  25. ^ Computación neuromórfica: La máquina de una nueva alma, The Economist, 2013-08-03
  26. ^ Modha, Dharmendra (agosto de 2014). "Un circuito integrado de un millón de neuronas activas con una red de comunicación escalable y una interfaz". Science . 345 (6197): 668–673. Bibcode :2014Sci...345..668M. doi :10.1126/science.1254642. PMID  25104385. S2CID  12706847.
  27. ^ Fairfield, Jessamyn (1 de marzo de 2017). "Máquinas más inteligentes" (PDF) .
  28. ^ 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 para legos: "Las neuronas artificiales se vuelven cuánticas con circuitos fotónicos". Universidad de Viena . Consultado el 19 de abril de 2022 .
  29. ^ "La 'sinapsis artificial' podría hacer que las redes neuronales funcionen de forma más parecida a los cerebros". New Scientist . Consultado el 21 de agosto de 2022 .
  30. ^ Onen, Murat; Emond, Nicolas; Wang, Baoming; Zhang, Difei; Ross, Frances M.; Li, Ju; Yildiz, Bilge; del Alamo, Jesús A. (29 de julio de 2022). "Resistores programables protónicos de nanosegundos para aprendizaje profundo analógico" (PDF) . Science . 377 (6605): 539–543. Bibcode :2022Sci...377..539O. doi :10.1126/science.abp8064. ISSN  0036-8075. PMID  35901152. S2CID  251159631.
  31. ^ Davies, Mike; et al. (16 de enero de 2018). "Loihi: un procesador neuromórfico multinúcleo con aprendizaje en chip". IEEE Micro . 38 (1): 82–99. doi :10.1109/MM.2018.112130359. S2CID  3608458.
  32. ^ Morris, John. "Por qué Intel construyó un chip neuromórfico". ZDNet . Consultado el 17 de agosto de 2018 .
  33. ^ "Imec demuestra un chip neuromórfico de autoaprendizaje que compone música". IMEC International . Consultado el 1 de octubre de 2019 .
  34. ^ Bourzac, Katherine (23 de mayo de 2017). "Un chip neuromórfico que hace música". IEEE Spectrum . Consultado el 1 de octubre de 2019 .
  35. ^ "Más allá de von Neumann, la computación neuromórfica avanza de manera constante". HPCwire . 21 de marzo de 2016 . Consultado el 8 de octubre de 2021 .
  36. ^ "Computación cuántica neuromórfica | Proyecto quromórfico | Hoja informativa | H2020". CORDIS | Comisión Europea . doi :10.3030/828826 . Consultado el 18 de marzo de 2024 .
  37. ^ Pehle, cristiano; Wetterich, Christof (30 de marzo de 2021), Computación cuántica neuromórfica , arXiv : 2005.01533
  38. ^ Wetterich, C. (1 de noviembre de 2019). "Computación cuántica con bits clásicos". Física nuclear B. 948 : 114776. arXiv : 1806.05960 . Código Bibliográfico : 2019NuPhB.94814776W. doi : 10.1016/j.nuclphysb.2019.114776. ISSN  0550-3213.
  39. ^ Pehle, cristiano; Meier, Karlheinz; Oberthaler, Markus; Wetterich, Christof (24 de octubre de 2018), Emulando la computación cuántica con redes neuronales artificiales , arXiv : 1810.10335
  40. ^ Carleo, Giuseppe; Troyer, Matthias (10 de febrero de 2017). "Resolución del problema cuántico de muchos cuerpos con redes neuronales artificiales". Science . 355 (6325): 602–606. arXiv : 1606.02318 . Bibcode :2017Sci...355..602C. doi :10.1126/science.aag2302. ISSN  0036-8075. PMID  28183973.
  41. ^ Torlai, Giacomo; Mazzola, Guglielmo; Carrasquilla, Juan; Troyer, Matthias; Melko, Roger; Carleo, Giuseppe (mayo de 2018). "Tomografía cuántica de estados de redes neuronales". Nature Physics . 14 (5): 447–450. arXiv : 1703.05334 . Código Bibliográfico :2018NatPh..14..447T. doi :10.1038/s41567-018-0048-5. ISSN  1745-2481.
  42. ^ Sharir, Or; Levine, Yoav; Wies, Noam; Carleo, Giuseppe; Shashua, Amnon (16 de enero de 2020). "Modelos autorregresivos profundos para la simulación variacional eficiente de sistemas cuánticos de muchos cuerpos". Physical Review Letters . 124 (2): 020503. arXiv : 1902.04057 . Código Bibliográfico :2020PhRvL.124b0503S. doi :10.1103/PhysRevLett.124.020503. PMID  32004039.
  43. ^ Broughton, Michael; Verdon, Guillaume; McCourt, Trevor; Martinez, Antonio J.; Yoo, Jae Hyeon; Isakov, Sergei V.; Massey, Philip; Halavati, Ramin; Niu, Murphy Yuezhen (26 de agosto de 2021), TensorFlow Quantum: un marco de software para el aprendizaje automático cuántico , arXiv : 2003.02989
  44. ^ ab Di Ventra, Massimiliano (23 de marzo de 2022), MemComputing vs. Computación cuántica: algunas analogías y diferencias importantes , arXiv : 2203.12031
  45. ^ Wilkinson, Samuel A.; Hartmann, Michael J. (8 de junio de 2020). "Circuitos superconductores cuánticos de muchos cuerpos para simulación y computación cuántica". Applied Physics Letters . 116 (23). arXiv : 2003.08838 . Código Bibliográfico :2020ApPhL.116w0501W. doi :10.1063/5.0008202. ISSN  0003-6951.
  46. ^ "Recibiendo pedidos de kits de desarrollo de procesadores de IA de Akida". 21 de octubre de 2021.
  47. ^ "Primera placa mini PCIexpress con chip de red neuronal con picos". 19 de enero de 2022.
  48. ^ "002.08 Taller NICE 2014: Hacia la computación inteligente con circuitos y sistemas neuromemorísticos – febrero de 2014". digitalops.sandia.gov . Consultado el 26 de agosto de 2019 .
  49. ^ C. Merkel y D. Kudithipudi, "Máquinas de aprendizaje extremo neuromemristivas para clasificación de patrones", ISVLSI, 2014.
  50. ^ Maan, AK; James, AP; Dimitrijev, S. (2015). "Reconocedor de patrones de memristor: reconocimiento de palabras aisladas del habla". Electronics Letters . 51 (17): 1370–1372. Bibcode :2015ElL....51.1370M. doi :10.1049/el.2015.1428. hdl : 10072/140989 . S2CID  61454815.
  51. ^ Maan, Akshay Kumar; Kumar, Dinesh S.; James, Alex Pappachen (1 de enero de 2014). "Reconocimiento facial con lógica de umbral memristivo". Procedia Computer Science . 5.ª 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 .
  52. ^ Maan, AK; Kumar, DS; Sugathan, S.; James, AP (1 de octubre de 2015). "Diseño de circuito lógico de umbral memristivo para detección de objetos en rápido movimiento". IEEE Transactions on Very Large Scale Integration (VLSI) Systems . 23 (10): 2337–2341. arXiv : 1410.1267 . doi :10.1109/TVLSI.2014.2359801. ISSN  1063-8210. S2CID  9647290.
  53. ^ James, AP; Francis, LRVJ; Kumar, DS (1 de enero de 2014). "Lógica de umbral resistivo". IEEE Transactions on Very Large Scale Integration (VLSI) Systems . 22 (1): 190–195. arXiv : 1308.0090 . doi :10.1109/TVLSI.2012.2232946. ISSN  1063-8210. S2CID  7357110.
  54. ^ James, AP; Kumar, DS; Ajayan, A. (1 de noviembre de 2015). "Computación lógica de umbral: circuitos CMOS memristivos para transformada rápida de Fourier y multiplicación védica". Transacciones IEEE sobre 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.
  55. ^ Caravelli; et al. (2017). "La dinámica compleja de los circuitos memristivos: resultados analíticos y relajación lenta universal". Physical Review E . 95 (2): 022140. arXiv : 1608.08651 . Bibcode :2017PhRvE..95b2140C. doi :10.1103/PhysRevE.95.022140. PMID  28297937. S2CID  6758362.
  56. ^ ab Caravelli; et al. (2021). "Minimización global a través de tunelización clásica asistida por la formación de un campo de fuerza colectivo". Science Advances . 7 (52): 022140. arXiv : 1608.08651 . Bibcode :2021SciA....7.1542C. doi :10.1126/sciadv.abh1542. PMID  28297937. S2CID  231847346.
  57. ^ Abraham, Isaac (20 de julio de 2018). "Argumentos a favor de rechazar el memristor como elemento fundamental del circuito". Scientific Reports . 8 (1): 10972. Bibcode :2018NatSR...810972A. doi :10.1038/s41598-018-29394-7. ISSN  2045-2322. PMC 6054652 . PMID  30030498. 
  58. ^ Sheldon, Forrest (2018). Fenómenos colectivos en redes memristivas: transiciones de fases de ingeniería hacia la computación . Tesis y disertaciones electrónicas de la Universidad de California en San Diego.
  59. ^ Skorka, Orit (1 de julio de 2011). "Hacia una cámara digital que rivalice con el ojo humano". Journal of Electronic Imaging . 20 (3): 033009–033009–18. Bibcode :2011JEI....20c3009S. doi :10.1117/1.3611015. ISSN  1017-9909.
  60. ^ 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.
  61. ^ "Las neuronas artificiales emulan a sus homólogas biológicas para permitir un funcionamiento sinérgico". Nature Electronics . 5 (11): 721–722. 10 de noviembre de 2022. doi :10.1038/s41928-022-00862-3. ISSN  2520-1131. S2CID  253469402.
  62. ^ 2015 Study Panel (septiembre de 2016). Inteligencia artificial y vida en 2030 (PDF) . Estudio de cien años sobre inteligencia artificial (AI100) (informe). Universidad de Stanford. Archivado desde el original (PDF) el 30 de mayo de 2019. Consultado el 26 de diciembre de 2019 .{{cite report}}: CS1 maint: numeric names: authors list (link)
  63. ^ ab Comisión Europea (septiembre de 2012). «Eurobarómetro especial 382: Actitudes del público hacia los robots» (PDF) . Comisión Europea .
  64. ^ ab Lim, Daniel (1 de junio de 2014). "Simulación cerebral 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.
  65. ^ Lavan. «Copyright en código fuente y productos digitales». Lavan . Consultado el 10 de mayo de 2019 .
  66. ^ Eshraghian, Jason K. (9 de marzo de 2020). "Propiedad humana de la creatividad artificial". Nature Machine Intelligence . 2 (3): 157–160. doi :10.1038/s42256-020-0161-x. S2CID  215991449.

Enlaces externos