Los científicos utilizaron la computación neuromórfica para que los robots sigan aprendiendo nuevos objetos después de su implementación. Para aquellos que no saben, la computación neuromórfica replica la estructura neuronal del cerebro humano para crear algoritmos que pueden lidiar con las incertidumbres del mundo natural. Intel Labs ha desarrollado una de las arquitecturas más notables en el campo: el chip neuromórfico Loihi.
Loihi consta de aproximadamente 130 000 neuronas artificiales que se envían información entre sí a través de una red neuronal de “picos” (SNN). Los chips ya han alimentado una variedad de sistemas, desde una piel artificial inteligente hasta una “nariz” electrónica que puede detectar olores de explosivos.
Intel Labs dio a conocer otro programa esta semana. La unidad de investigación se asoció con el Instituto Italiano de Tecnología y la Universidad Técnica de Munich para implementar Loihi en un nuevo enfoque para el aprendizaje permanente en robótica. El método está dirigido a sistemas que interactúan con entornos ilimitados, como futuros asistentes robóticos para la atención médica y la fabricación.
Las redes neuronales profundas existentes pueden tener problemas con los objetos en estos escenarios, ya que requieren grandes datos de entrenamiento bien entrenados y un amplio reentrenamiento en los nuevos objetos que encuentran. Un nuevo enfoque neuromórfico pretende superar estas limitaciones.
Los investigadores aplicaron SNN a Loihi por primera vez. Esta arquitectura localiza el aprendizaje en una sola capa de sinapsis plásticas. También tiene en cuenta diferentes tipos de objetos, añadiendo nuevas neuronas bajo demanda. Como resultado, el proceso de aprendizaje se desarrolla de forma autónoma al interactuar con el usuario.
El equipo probó su enfoque en un entorno 3D simulado. En esta configuración, el robot detecta objetos activamente moviendo una cámara que actúa como ojos. El sensor de la cámara “ve” los objetos de una manera inspirada en pequeños movimientos oculares de fijación llamados “micro-sacadas”. Si el objeto que ve es nuevo, la representación SNN se aprende o actualiza. Si se conoce el objeto, la red lo reconoce y proporciona retroalimentación al usuario.
El equipo dice que su método requiere 175 veces menos energía para proporcionar una velocidad y precisión similares o mejores que los métodos convencionales basados en CPU. Ahora necesitan probar su algoritmo en el mundo real con robots reales.
“Nuestro objetivo es aplicar capacidades similares a futuros robots que funcionarán en un entorno interactivo, lo que les permitirá adaptarse a circunstancias imprevistas y trabajar de forma más natural junto con las personas”, dijo la autora principal del estudio, Yuliya Sandamyrska.
Aquí te dejamos una lista de noticias que también vas a querer leer:
- Cómo usar FaceTime en Android y Windows.
- Reseña de ASUS ZenBook 14 Flip OLED: Laptop Transformer con pantalla OLED.