Aprendizagem não supervisionada com neurônios artificiais

Manuel Le A pesquisa de Gallo inspirará uma nova geração de sistemas de computação neuromórficos extremamente densos. (Fonte:IBM Research - Zurique)

Inspirado pela maneira como o cérebro humano funciona, uma equipe de cientistas da IBM Research em Zurique, imitou a forma como os neurônios aumentam, por exemplo, quando tocamos uma placa quente. Esses chamados neurônios artificiais podem ser usados ​​para detectar padrões e descobrir correlações em Big Data com orçamentos de energia e em densidades comparáveis ​​às vistas na biologia, algo que os cientistas se esforçaram para realizar durante décadas. Eles também podem aprender, sem supervisão, em altas velocidades e usando muito pouca energia.

O artigo intitulado “Stochastic phase-change neurons”, que apareceu hoje na capa da Nature Nanotechnology , descreve a pesquisa e seus resultados.

Falei com o coautor do artigo e IBM Research - cientista de Zurique Manuel Le Gallo, que atualmente está trabalhando em um PhD da ETH Zurich.

Como funciona um neurônio artificial?

Manuel Le Gallo: O neurônio tem uma certa funcionalidade que chamamos de "integrar e disparar". O neurônio atua como um acumulador - se você continuar enviando várias entradas para o neurônio, o neurônio irá integrar todas essas entradas. Dependendo da quantidade de entradas e de suas forças, o potencial de membrana atingirá um certo limite, e o neurônio irá "disparar" ou "disparar". Esse acumulador pode ser usado para realizar tarefas computacionais surpreendentemente complexas.


Como o cérebro humano inspira o desenvolvimento de neurônios artificiais?

ML: O neurônio artificial é construído para imitar o que um neurônio biológico faz. Um neurônio artificial não terá exatamente a mesma funcionalidade, mas ainda está perto o suficiente para que você possa realizar o cálculo realizado pelo cérebro usando esses neurônios. Normalmente, os neurônios artificiais são construídos usando circuitos baseados em CMOS, a tecnologia de transistor padrão que temos em nossos computadores. Nosso artigo se concentra no uso de dispositivos não CMOS, como dispositivos de mudança de fase, para reproduzir uma funcionalidade semelhante com consumo de energia reduzido e densidade de área aumentada.

Qual é a sua contribuição para o jornal?

ML: Obtivemos uma compreensão da física dos dispositivos de mudança de fase a partir do trabalho de caracterização e modelagem que tenho feito nos últimos três anos. Isso foi crucial para projetar neurônios artificiais com base nesses dispositivos e entender sua funcionalidade. Além disso, obtive alguns dos dados experimentais apresentados no artigo e contribuí para a análise e interpretação dos resultados.

“Achamos que nossa abordagem será mais eficiente, especialmente para processar grandes quantidades de dados.”

- Manuel Le Gallo, cientista de pesquisa da IBM

Em quais contextos os neurônios artificiais podem ser aplicados?

O minúsculo quadrados são blocos de contato usados ​​para acessar as células de mudança de fase em escala nanométrica (não visíveis). As pontas de prova afiadas tocam as almofadas de contato para alterar a configuração de fase armazenada nas células em resposta à entrada neuronal. Cada conjunto de sondas pode acessar uma população de 100 células.

ML: Em nosso artigo, demonstramos como você pode detectar correlações de vários fluxos de eventos. Suponha que você tenha vários fluxos de eventos binários e deseja localizar quais fluxos estão temporariamente correlacionados, por exemplo, quando os 1s ocorrem simultaneamente.

No artigo, demonstramos como você pode detectar correlações de vários fluxos de eventos.

O que você quer dizer com eventos?

ML: Os eventos podem ser, por exemplo, dados do Twitter, dados meteorológicos ou dados sensoriais coletados pela Internet das Coisas. Suponha que você tenha vários fluxos de eventos binários e deseja descobrir quais fluxos estão temporariamente correlacionados, por exemplo, quando os 1s vêm simultaneamente. Mostramos no artigo como poderíamos fazer essa discriminação usando apenas um neurônio conectado a várias sinapses plásticas que recebem os eventos.

O que torna a computação neuromórfica mais eficiente do que a computação convencional?

ML: Na computação convencional, temos uma memória separada e uma unidade lógica. Sempre que você quiser realizar um cálculo, deve primeiro acessar a memória, obter seus dados e transferi-los para a unidade lógica, que retorna o cálculo. E sempre que você obtém um resultado, deve devolvê-lo à memória. Este processo vai e volta continuamente. Portanto, se você estiver lidando com grandes quantidades de dados, isso se tornará um problema real.

Em uma rede neural, computação e armazenamento são colocados juntos. Você não precisa estabelecer comunicação entre a lógica e a memória; você apenas tem que fazer conexões apropriadas entre os diferentes neurônios. Esse é o principal motivo pelo qual acreditamos que nossa abordagem será mais eficiente, especialmente para processar grandes quantidades de dados.

---

Manuel Le Gallo veio para Zurique para fazer seu mestrado em Engenharia Elétrica no Instituto Federal Suíço de Tecnologia (ETH Zurique). Ele concluiu sua tese na IBM, onde uma oferta de emprego se encaixava em sua formação e interesses. Ele está atualmente trabalhando em seu PhD.

Sobre o autor: Millian Gehrer é estagiário de verão na IBM Research - Zurique, onde está entrevistando cientistas para aprender mais sobre seu trabalho e motivações. No outono, ele começará a estudar Ciência da Computação como graduação na Universidade de Princeton.