RedacciónT21 
Bioingenieros de la Universidad Stanford (Palo Alto, California, EE.UU.) han desarrollado microchips basados en el cerebro humano, que funcionan 9.000 veces más rápido y utilizan mucha menos energía que un PC normal. Esto ofrece mayores posibilidades de avances en robótica y una nueva forma de entender el cerebro. Por ejemplo, un chip tan rápido y eficiente como el cerebro humano podría manejar prótesis con la velocidad y la complejidad de nuestras propias acciones.
A pesar de su sofisticación, explica la información de la Universidad, los ordenadores palidecen en comparación con el cerebro. La modesta corteza cerebral del ratón, por ejemplo, opera 9.000 veces más rápido que una simulación de sus funciones realizada por un ordenador personal.
No sólo es más lento el PC, sino que emplea 40 mil veces más energía en funcionar, escribe Kwabena Boahen, profesor adjunto de bioingeniería en Stanford, en un artículo publicado en Proceedings of the IEEE.
«Desde la perspectiva del consumo de energía, el cerebro es difícil de igualar», explica Boahen, cuyo artículo analiza cómo los investigadores neuromórficos en los Estados Unidos y Europa están utilizando silicio y software para construir sistemas electrónicos que imitan a las neuronas y las sinapsis.
Boahen y su equipo han desarrollado Neurogrid, un circuito impreso que consta de 16 chips «NeuroCore» de diseño personalizado. En conjunto, estos 16 chips pueden simular 1.000.000 de neuronas y miles de millones de conexiones sinápticas.
El equipo diseñó estos chips con la eficiencia energética en mente. Su estrategia era permitir que ciertas sinapsis compartieran circuitos de hardware. El resultado fue Neurogrid, un dispositivo del tamaño de un iPad que puede simular varios órdenes de magnitud más neuronas y sinapsis que otros imitadores del cerebro, con la energía que necesita una tableta.
Próximos pasos
Los Institutos Nacionales de Salud estadounidenses financiaron el desarrollo de este prototipo de millones de neuronas con un Premio Pioneer de cinco años. Ahora Boahen está listo para los próximos pasos: reducción de los costes y la creación de un software compilador que permita a ingenieros y científicos de la computación sin conocimientos de neurociencia resolver problemas, como el control de un robot humanoide, utilizando Neurogrid.
«En este momento, hace falta saber cómo funciona el cerebro para programar un circuito de éstos», explica Boahen, señalando al prototipo valorado en 40.000 dólares que están encima del escritorio de su despacho. «Queremos crear un neurocompilador de modo que no haga falta saber nada acerca de las sinapsis y las neuronas para poder usarlo».
La investigación del cerebro
En su artículo, Boahen describe el contexto más amplio de la investigación sobre el cerebro: el Human Brain Project de la Unión Europea , cuyo objetivo es simular un cerebro humano en un superordenador, y el Proyecto Brain estadounidense, que se enfoca más en crear herramientas que puedan leer la actividad de miles o incluso millones de neuronas en el cerebro, así como escribir patrones complejos de actividad.
Boahen se centra en dos proyectos comparables a Neurogrid, que intentan modelar las funciones cerebrales en silicio y/o software.
Uno de estos esfuerzos es el Proyecto SyNAPSE de IBM, que pretende rediseñar los chips -denominados en este caso Golden Gate- para que emulen la capacidad de las neuronas de hacer un gran número de conexiones sinápticas, una característica que ayuda al cerebro a resolver problemas sobre la marcha. En la actualidad, un chip Golden Gate se compone de 256 neuronas digitales, cada una de ellas equipada con 1.024 circuitos sinápticos digitales, números que van en aumento progresivamente.
El proyecto BrainScales de la Universidad de Heidelberg (Alemania) tiene el ambicioso objetivo de desarrollar chips que imiten el comportamiento de las neuronas y las sinapsis. Su chip Hicann sería el núcleo de un sistema diseñado para acelerar las simulaciones del cerebro, y permitir a los investigadores modelar interacciones con medicamentos en un tiempo mucho más corto de lo que se necesita actualemnte. Un Hicann puede emular a 512 neuronas, cada una equipada con 224 circuitos sinápticos.
Cada uno de estos equipos de investigación ha tomado decisiones técnicas diferentes, tales como la posibilidad de dedicar cada circuito de hardware para el modelado de un solo elemento neural (por ejemplo, una sola sinapsis ) o varias (por ejemplo, mediante la activación del circuito de hardware dos veces para modelar el efecto de dos sinapsis activas). Estas elecciones han dado lugar a diferentes ventajas y desventajas en términos de capacidad y rendimiento.
Boahen creó una única métrica que tuviera en cuenta el coste total del sistema, incluyendo el tamaño del chip, el número de neuronas que simula y la potencia que consume. Y Neurogrid resultaba ser el más eficaz de los tres.
Rapidez y eficacia
Pero queda mucho por hacer. Cada uno de los circuitos Neurogrid cuesta alrededor de 40.000 dólares. Boahen cree se pueden conseguir drásticas reducciones de costes. Neurogrid está formado por 16 chips Neurocores, cada uno de los cuales equivale a 65.536 neuronas. Dichos chips se fabricaron utilizando tecnologías de 15 años de antigüedad.
Utilizando modernos procesos de fabricación y fabricando los chips a gran escala, se podría dividir el coste por 100, es decir, que una copia costaría 400 dólares. Con ese hardware más barato y un software compilador que lo haga fácil de configurar, estos sistemas neuromórficos podrían encontrar numerosas aplicaciones, señala el investigador.
Aplicaciones
Sus características de velocidad y bajo consumo de energía hacen que Neurogrid sea ideal para algo más que modelar el cerebro humano. Boahen está trabajando con otros científicos de Stanford en el desarrollo de prótesis para personas paralizadas que serían controlados por un chip tipo Neurocore.
Un chip tan rápido y eficiente como el cerebro humano podría conducir prótesis con la velocidad y complejidad de nuestras propias acciones, pero sin estar atado a una fuente de alimentación. El chip sería implantado en el cerebro de la persona paralizada, sin sobrecalentarlo.
En el laboratorio de Boahen, un pequeño brazo protésico es controlado actualmente por Neurogrid para ejecutar comandos de movimiento en tiempo real. Por ahora no parece gran cosa, pero sus sencillas palancas y articulaciones mantienen la esperanza de crear extremidades robóticas en el futuro.
Por supuesto, todos estos esfuerzos neuromórficos quedan en nada comparados con la complejidad y la eficiencia del cerebro humano.
En su artículo, Boahen señala que Neurogrid es unos 100 mil veces más eficiente energéticamente que una simulación de PC de 1 millón de neuronas. Sin embargo, es un sumidero de energía en comparación con nuestra CPU biológica.
«El cerebro humano, con 80.000 veces más neuronas que Neurogrid, consume sólo el triple de energía», escribe Boahen. «Lograr este nivel de eficiencia energética al tiempo que se consigue una mayor capacidad de configuración es el gran desafío al que se enfrentan los ingenieros neuromórficos.»
Otro chip creado en Suiza
Además de los casos mencionados por Boaehn en su artículo, también han desarrollado microchips que imitan al cerebro investigadores de la Universidad de Zúrich y de la Escuela Politécnica Federal de Zúrich, junto con colegas europeos y estadounidenses.
Los neuroinformáticos desarrollaron un sistema neuromórfico que puede llevar a cabo tareas complejas sensorimotoras en tiempo real. En concreto, efectúan una tarea que requiere memoria a corto plazo y toma de decisiones dependiente del contexto, dos rasgos típicos de las pruebas cognitivas.
Una de las aplicaciones de estos microchips, señalan los investigadores, sería combinar los chips con componentes neuromórficos sensoriales, tales como una cóclea (para el óido) o una retina artificial, para crear sistemas cognitivos complejas que interactúen con el entorno en tiempo real.
Referencia bibliográfica:
Ben Varkey Benjamin, Peiran Gao, Emmett McQuinn, Swadesh Choudhary, Anand R. Chandrasekaran, Jean-Marie Bussat, Rodrigo Alvarez-Icaza, John V. Arthur, Paul A. Merolla, Kwabena Boahen. Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations. Proceedings of the IEEE (2014) DOI: 10.1109/JPROC.2014.2313565
Hacer un comentario