DIVULGACIÓN

La computación neuromórfica de alta velocidad, una realidad cada vez más cercana

Hasta ahora, desde los ordenadores que usamos todos los días, desde los Smart watches, móviles, tablets, o portátiles hasta aquellos que controlaban la sonda Curiosity de Marte, están formados, básicamente, por los mismos bloques básicos: uno que podemos pensar como la “inteligencia” del ordenador y, otro, que guarda los datos procesados, al que normalmente llamamos “memoria”.  Esta forma convencional de concebir los ordenadores se denomina arquitectura Von-Neumann, en honor al matemático húngaro, John Von Neumann que la concibió. 

Pero, las aplicaciones electrónicas que comenzarán a dominar el mercado en el futuro serán difíciles de implementar si solo se utiliza la arquitectura Von Neumann y solo se reduce el escalado de la tecnología CMOS utilizada actualmente para fabricar los chips que componen estos ordenadores. En particular, estas soluciones tienen una baja eficiencia energética, son lentos y de gran tamaño, así como muy complejos.  Es aquí donde es fundamental aplicar nuevos paradigmas de computación no-Von-Neumann, como es la llamada computación neuromórfica.  Además, si unimos esto al uso de dispositivos microelectrónicos novedosos, nos permitirá hacer frente a los nuevos retos computacionales en el futuro.

Pero, ¿qué es la computación neuromórfica? En ella, el ordenador imita el modo en que el cerebro procesa y almacena la información logrando una eficiencia energética y velocidad mucho mayores a la computación convencional. Desde hace unos años, investigadores alrededor del mundo están trabajando para llevarlo a la realidad.

Pero podríamos preguntarnos ¿por qué no seguir trabajando como hasta ahora, donde todo parece funcionar bien? La respuesta es que ¡las neuronas biológicas son fantásticas! Procesan los datos y luego los guardan en su estructura, por lo que imitarlas nos permite ahorrar el tiempo y la energía, en comparación con la computación convencional, donde es necesarios trasladar los resultados procesados a un bloque externo de memoria. Y es que todo se realiza simultáneamente en una neurona. Además, éstas solo se activan cuando son necesarias, mientras que los ordenadores de hoy en día realizan sus tareas siempre a la misma velocidad, gastando mucha más energía.

Un sistema neuromórfico escalable y energéticamente eficiente

Las neuronas no están solas. Están altamente interconectadas con otras neuronas a través de lo que llamamos sinapsis, formando una red neuronal muy compleja. Si pensamos en las neuronas como mini-procesadores, la sinapsis serían mini-memorias programables, que usan mensajes muy simples (oscilaciones o pulsos) para enviar la información. Tal y como sucede en nuestro cerebro, estos mensajes son desencadenados sólo cuando una carga eléctrica alcanza un valor específico dentro de la neurona.

La siguiente pregunta sería, ¿cómo implementar estos sistemas neuromórficos? Con las tecnologías actuales, estos sistemas son extremadamente ineficientes. Y se sabe que, en los próximos años, las unidades más pequeñas que están formados los chips, los transistores, llegarán a un límite y no podrán reducirse más. Dentro de las posibles soluciones que se bajaran es utilizar dispositivos micro electrónicos extremadamente novedosos que, intrínsecamente, emulen las características de las neuronas y de las sinapsis. Para las sinapsis se utilizan unos dispositivos llamados memristores, a los que se les puede programar el valor de su propiedad eléctrica fundamental, la resistencia. De igual forma, las neuronas “artificiales” pueden implementarse utilizando unos nano-osciladores, fabricados usando uniones magnéticas de efecto túnel. Estos nano-osciladores trabajan a altísimas frecuencias y su oscilación significa que esta neurona “artificial” está activa. Pero ahora surge el siguiente problema: ¿cómo detectar estas oscilaciones? Esto es extremadamente difícil puesto que son muy pequeñas y su frecuencia es altísima, del orden de giga hercios.

El proyecto europeo SPINAGE, en cual participa nuestro grupo de investigación del CSIC “Neuromorphs” (perteneciente al Instituto de Microelectrónica de Sevilla, IMSE-CNM) está mejorando los sistemas neuromórficos actuales logrando la convergencia de estas tecnologías no convencionales y la electrónica, en un sistema neuromórfico escalable y energéticamente eficiente, así como mejorar el co-diseño de todo el sistema.  En este proyecto ya se han logrado realizar pequeñas redes neuronales formadas por nano-osciladores y memristores. 

El IMSE-CNM participa en este proyecto donde diseña la interfaz que detecta las oscilaciones de los nano-osciladores de tipo spin-Hall (diseñados por la empresa NanOsc de Suecia, socio del proyecto SPINAGE). Nuestra contribución científica se centra en realizar esta detección sacando provecho de la altísima velocidad a la que ellas trabajan limitando al máximo la energía consumida para esta detección.

Hasta ahora, desde los ordenadores que usamos todos los días, desde los Smart watches, móviles, tablets, o portátiles hasta aquellos que controlaban la sonda Curiosity de Marte, están formados, básicamente, por los mismos bloques básicos: uno que podemos pensar como la “inteligencia” del ordenador y, otro, que guarda los datos procesados, al que normalmente llamamos “memoria”.  Esta forma convencional de concebir los ordenadores se denomina arquitectura Von-Neumann, en honor al matemático húngaro, John Von Neumann que la concibió. 

Pero, las aplicaciones electrónicas que comenzarán a dominar el mercado en el futuro serán difíciles de implementar si solo se utiliza la arquitectura Von Neumann y solo se reduce el escalado de la tecnología CMOS utilizada actualmente para fabricar los chips que componen estos ordenadores. En particular, estas soluciones tienen una baja eficiencia energética, son lentos y de gran tamaño, así como muy complejos.  Es aquí donde es fundamental aplicar nuevos paradigmas de computación no-Von-Neumann, como es la llamada computación neuromórfica.  Además, si unimos esto al uso de dispositivos microelectrónicos novedosos, nos permitirá hacer frente a los nuevos retos computacionales en el futuro.