«El fregadero del mundo atómico»: el material asequible podría desempeñar un papel crucial en la reducción del uso de energía de la IA en un factor de 90: los memristores podrían ayudar al sistema actual de IA a imitar la función de las redes neuronales biológicas
Investigadores de la Universidad de Michigan han desarrollado un memristor con un tiempo de relajación ajustable, lo que podría conducir a redes neuronales artificiales más eficientes capaces de procesar información dependiente del tiempo.
Publicado en Electrónica de la naturalezaEl estudio destaca el potencial de los memristores, componentes electrónicos que funcionan como dispositivos de memoria y pueden mantener su estado de resistencia incluso cuando se corta la energía.
Los memristores funcionan imitando aspectos clave de cómo funcionan las redes neuronales biológicas y artificiales sin memoria externa. Esta propiedad podría reducir significativamente las necesidades de energía en la IA, lo cual es importante ya que se espera que el consumo de electricidad de la tecnología aumente significativamente en los próximos años.
Fregadero de cocina del mundo atómico
“En este momento hay mucho interés en la IA, pero para procesar datos más grandes e interesantes, el enfoque es aumentar el tamaño de la red. Eso no es muy eficiente”, dijo Wei Lu, profesor de ingeniería James R. Mellor en la UM y coautor del estudio con John Heron, profesor asociado de ciencia e ingeniería de materiales en la UM.
El equipo de investigación logró tiempos de relajación ajustables para memristores variando las proporciones del material base en el superconductor YBCO. Este superconductor, compuesto de itrio, bario, carbono y oxígeno, tiene una estructura cristalina que guía la organización de otros óxidos en el material del memristor.
Heron se refiere a este óxido estabilizado por entropía como el «fregadero del mundo atómico» porque cuantos más elementos se le añaden, más estable se vuelve.
Al cambiar las proporciones de los óxidos, el equipo logró constantes de tiempo que oscilaban entre 159 y 278 nanosegundos. Luego, el equipo construyó una red simple de memristores que pudo aprender a reconocer los sonidos de los números del cero al nueve. Una vez entrenada, la red pudo identificar cada número incluso antes de que se completara la entrada de audio.
Los hallazgos del estudio representan un avance significativo en la computación neuromórfica, ya que las redes basadas en memristores tienen el potencial de mejorar significativamente la eficiencia energética en los chips de IA en un factor de 90 en comparación con la tecnología GPU actual. «Hasta ahora, es una visión, pero creo que hay caminos para hacer que estos materiales sean escalables y asequibles», dijo Heron. «Estos materiales abundan en la tierra, no son tóxicos, son baratos y casi se pueden rociar».
Más de TechRadar Pro
