Aprendizaje dendrocéntrico para la inteligencia sintética

Área de la Ciencia:

• Neurociencia computacional
• Hardware de inteligencia artificial
• Tendencias de la industria de los semiconductores

Sus antecedentes:

• Los rápidos avances en inteligencia artificial (IA) requieren un crecimiento exponencial en el poder computacional, específicamente las multiplicaciones de punto flotante.
• El progreso actual de la industria de semiconductores en la densidad del multiplicador de chips (que se duplica cada dos años) no puede igualar la aceleración computacional de la IA (que se duplica cada dos meses).
• Las limitaciones físicas de los multiplicadores de azulejos densos en los chips, incluida la distancia de recorrido de la señal y la disipación del calor en arquitecturas 3D, impiden mayores ganancias de rendimiento.

Objetivo del estudio:

• Proponer un nuevo enfoque para la inteligencia artificial (IA) que supere las limitaciones térmicas y físicas del hardware actual.
• Introducir el aprendizaje dendrocéntrico como una alternativa al aprendizaje sináptico tradicional en la IA.
• Demostrar la viabilidad de la computación de IA con eficiencia energética en dispositivos móviles.

Principales métodos:

• Desarrollo de un modelo computacional que simule los procesos de aprendizaje basados en dendritos.
• Conceptualización de un dispositivo ferroeléctrico diseñado para emular el modelo de dendrita propuesto.
• Evaluación de la eficiencia energética del modelo de inteligencia artificial (inteligencia sintética) de aprendizaje dendrocéntrico propuesto.

Principales resultados:

• El aprendizaje dendrocéntrico ofrece una solución potencial para trascender las restricciones térmicas de las arquitecturas de chips 3D.
• Este enfoque se mueve desde la ponderación sináptica tradicional a la entrada ordenada a lo largo de las dendritas, denominada aprendizaje dendrocéntrico.
• El modelo de inteligencia sintética propuesto muestra potencial para reducir significativamente el consumo de energía, operando a niveles de vatios.

Conclusiones:

• El aprendizaje dendrocéntrico, inspirado en las estructuras neuronales biológicas, presenta un cambio de paradigma para el hardware de inteligencia artificial.
• Este método permite una computación de IA altamente eficiente en energía, que potencialmente se ejecuta en teléfonos inteligentes en lugar de requerir una infraestructura de nube de alta potencia.
• La inteligencia sintética propuesta ofrece un camino para superar las limitaciones actuales de los semiconductores y lograr avances sostenibles en la IA.