Un equipo de ingenieros dirigido por Feng Guo, de la Universidad de Indiana, en Bloomington (EE.UU.), construyó una computadora denominada Brainoware, capaz de hacer reconocimiento de voz y predecir ecuaciones no lineales. Aunque por ahora el dispositivo es un poco menos preciso que una computadora de ‘hardware’ puro, que funciona con inteligencia artificial, constituye un primer paso importante en un nuevo tipo de arquitectura informática, conocida como computación neuromórfica.
En su intento de acercarse a las capacidades del cerebro, los investigadores diseñaron chips de silicio con ‘hardware’ y algoritmos que imitan la estructura y la forma de funcionamiento del cerebro. Sin embargo, estos dispositivos, que se basan en principios electrónicos digitales, chocan con las limitaciones de un alto consumo de energía y con el prolongado tiempo que requieren para su entrenamiento con redes neuronales artificiales.
Para desarrollar su Brainoware, Guo y sus colegas utilizaron tejido cerebral humano real, cultivado en un laboratorio a partir de células madre humanas pluripotentes. Las células se organizaron en minicerebros tridimensionales completos, con conexiones y estructuras, a los que llamaron organoides. A su vez, estos se conectaron con una serie de microelectrodos de alta densidad para formar un tipo de red neuronal artificial, conocida como computación de reservorio.
Se utilizó un ‘hardware’ informático normal para las capas de entrada y salida, que tuvieron que ser entrenadas para funcionar con el organoide. Así, la capa de salida leyó los datos neuronales e hizo clasificaciones o predicciones basadas en la entrada. La estimulación eléctrica transportó información al reservorio del organoide, donde fue procesada antes de que el Brainoware devolviera sus cálculos en forma de actividad neuronal a la capa de salida. La investigación se publicó este lunes en Nature Electronics.
Demostración de funcionamiento
En una primera tarea, los investigadores emplearon 240 clips de audio de ocho hablantes masculinos que emitían sonidos de vocales japonesas y le pidieron al Brainoware que identificara la voz de cada individuo específico. Después de un entrenamiento de apenas dos días, Brainoware pudo identificar al hablante con un 78 % de precisión.
Cai et al., Nat. Electron., 2023
También evaluaron la capacidad de predicción de un mapa de Hénon, un sistema dinámico con comportamiento caótico. Los científicos dejaron al Brainoware sin supervisión para que aprendiera durante cuatro días, y descubrieron que era capaz de predecir el mapa con mayor precisión que una red neuronal artificial sin unidad de memoria a corto plazo. Sin embargo, constataron que era ligeramente menos preciso que esas redes cuando estas habían sido entrenadas durante 50 días, aunque logró casi los mismos resultados en menos del 10 % del tiempo de entrenamiento.
