IBM SIMULA 500 MIL MILLONES DE NEURONAS Y 100 BILLONES DE SINAPSIS

http://sinapsis-aom.blogspot.com.es/2012/12/ibm-simula-500-mil-millones-de-neuronas.html?utm_source=feedburner&utm_medium=feed&utm_campaign=Feed:+blogspot/GHTt+(Sinapsis)

En una simulación neuronal sin precedentes, IBM ha logrado simular 500 mil millones de neuronas y 100 billones de sinapsis. Para ello ha utilizado Sequoia, el segundo superordenador más grande del mundo con millón y medio de núcleos. Esto es una proeza computacional, pero tiene poco que ver con la neurociencia. Veamos por qué.

 

El departamento de Cognitive Computing de IBM en Almaden dirigido por Dharmendra S. Modha lleva unos años realizando asombrosas simulaciones en el contexto del proyecto DARPA SyNAPSE. Como parte de este proyecto, anunció la simulación a la escala del córtex de un ratón, luego de una rata y más tarde de un gato.

El objetivo de este programa es crear un chip neurosináptico que supone una ruptura con la arquitectura tradicional de los ordenadores. Esta arquitectura es la llamada Von Neumann que usan la totalidad de los ordenadores en la actualidad, incluidos móviles y tarjetas. En la arquitectura Von Neumann la memoria está separada del procesador, el hardware del software y los programas están separados de los datos. Ha sido muy exitosa mientras se cumplía la miniaturización de componentes expresada en la ley de Moore: cada dos años se duplica el número de transistores en un espacio dado. El problema es que estamos llegando a los límites del átomo y que la ley dejará de cumplirse.

El chip neurosináptico es una ruptura total con la arquitectura Von Neumann. Se basa en el diseño de las neuronas en las queno hay distinción entre hw y sw, programas y datos, memoria y procesador. El chip consiste en una matriz de neuronas y entre sus cruces se realizan las sinapsis. De este modo, cada sinapsis del chip es hw y sw, proceso y memoria, programa y datos. Dado que todo está distribuido, no es necesaria un miniaturización tan extrema y sobre todo, un reloj tan rápido. Frente a los actuales gigahercios de frecuencia, las neuronas se disparan a un hercio, y en el caso del chip a 8 hercios. Además, los procesadores son clock driven, es decir, actúan bajo la batuta del reloj mientras que las neuronas son event driven, actúan solo si hay actividad que realizar.

Uno de los objetivos es reducir el consumo eléctrico. Un cerebro consume lo que una bombilla pequeña, 20 vatios. Un superordenador consume cientos de megavatios. El nuevo chip tiene un consumo muy reducido. Estos chips están construidos con tecnología de silicio clásica CMOS.


La arquitectura de muchos chips neurosinápticos unidos se ha llamado TrueNorth. Ya existe en desarrollo un chip de 256 neuronas, 1024 axones, y 256×1024 sinapsis.


El chip sin embargo no está en producción masiva. Para seguir trabajando en paralelo al desarrollo, se ha realizado la prueba actual. Para ello se ha usado un simulador llamado Compass. Compass traduce el comportamiento de un chip neurosináptico (no Von Neumann) a un ordenador clásico (Von Neumann). Usando Compass se ha simulado (pdf) el comportamiento de 2.000.000.000 chips. Esto supone 500 mil millones de neuronas y 100 billones de sinapsis, cifras por completo astronómicas. El resultado de la simulación se ha ejecutado 1.542 veces más lento que en tiempo real.

Para realizar la simulación se ha usado el segundo superordenador más grande del mundo, Sequoia un Blue Gene/Q de 96 armarios con 1 millón y medio de núcleos y 1,5 petabytes de memoria. Uno de los objetivos de la simulación es ver el escalado. Un problema habitual es que que cuando añadimos más cores, el sistema no funciona proporcionalmente más rápido. En el extremo, añadir más cores no aumenta el rendimiento: el sistema escala mal. Imagina un camarero atendiendo detrás de la barra. Si hay un segundo camarero, irán más rápido, pero no el doble. Si sigues añadiendo camareros, llegará un momento en que no aumente la eficiencia, incluso se verá reducida. El sistema escala mal. Pues bien, en la simulación realizada el escalado ha sido casi perfecto lo que es muy satisfactorio computacionalmente.


¿Qué tiene esto que ver con la neurociencia y el cerebro? Bien poco. La simulación no imita ningún comportamiento animal ni cognitivo ni humano. Para simular el comportamiento del cerebro, necesitamos saber cómo funciona y eso está lejos de lograrse. Para cuando llegue ese conocimiento debemos tener preparados ordenadores que sean capaces de simularlo y en este contexto se enmarca la presente investigación. Aunque no solo; la idea de diseñar estos nuevos chips es ponerlos en producción en aplicaciones comerciales tradicionales dando una gran potencia con un bajo consumo. La simulación del cerebro deberá esperar aún alguna década.

 

LO ÚLTIMO EN CEREBROS DE SILICIO

http://sociedad.elpais.com/sociedad/2012/11/29/actualidad/1354215866_629020.html

Científicos canadienses crean un modelo que emula comportamientos humanos

Spaun reconoce números, los ‘entiende’ y los escribe con su brazo robótico

Olvide a Deep Blue, el ajedrecista de silicio. Lo último en inteligencia artificial se llama Spaun, cuenta con dos millones y medio de neuronas y no tiene tiempo para jugar al ajedrez. Sus creadores, siete neurocientíficos teóricos de la Universidad de Waterloo, en Canadá, le tienen todo el rato resolviendo tests de inteligencia. Spaun reconoce números escritos de cualquier forma, recuerda listas de ellos –como hacemos nosotros cuando nos dictan un teléfono y no encontramos el bolígrafo— y responde varios tipos de preguntas de las que se usan para medir el CI (cociente de inteligencia) de los humanos.

No es tanto como escribir poesía, pero las máquinas se nos van acercando por los flancos que creíamos mejor protegidos: el aprendizaje, la duda, la chispa creativa que resuelve una situación completamente nueva, lo que no es tan distinto al hallazgo de una nueva metáfora, un nexo profundo que nadie había visto antes entre dos cosas dispares.

Pese a ser un modelo virtual del cerebro humano –un programa informático que se puede guardar y correr en cualquier ordenador—, Spaun ocupa hasta cierto punto un espacio físico y hasta tiene un cuerpo, pues se comunica con el mundo escribiendo en un papel con su brazo robótico de última generación. Hasta ahora escribe números, pero ya irá aprendiendo las letras y otras cosas.

Spaun es obra de Chris Eliasmith y sus colegas del Centro de Neurociencia Teórica de la Universidad de Waterloo, en Ontario. La neurociencia teórica es una disciplina emergente que modela el cerebro humano con las herramientas computacionales más avanzadas; su principal objetivo no es mejorar la inteligencia de las máquinas, sino entender la de los humanos. Su último trabajo, el autómata Spaun, se acaba de presentar en la revista Science.

Ante una máquina que resuelve algunas de las cuestiones típicas de los tests de inteligencia, cabe preguntarse: ¿Qué CI alcanzaría Spaun si se presentara a una prueba? "Algunas de las tareas que le hemos puesto a Spaun están basadas en un test de CI, el test de Raven", responde en un mensaje Eliasmith.

El test de Raven o RPM (siglas de Raven’s progressive matrices) es uno de los tests más comunes a partir de los cinco años de edad, y sirve para medir la inteligencia fluida, que no depende tanto de los conocimientos del sujeto como de su cintura para enfrentarse a situaciones inesperadas.

"Alrededor de 1/7 de las preguntas de ese test son de la forma que Spaun puede resolver", prosigue Eliasmith. "Si consideramos solo esas preguntas, los humanos alcanzan un 89% de aciertos, y Spaun es casi igual de bueno, con un 88%". Entonces, ¿estará la úlltima frontera, aquella que separa las máquinas de lo específicamente humano, en los otros 6/7 de las preguntas del test de Raven?

No. "Tenemos otro modelo en proceso de publicación", revela el creador de Spaun, "que resuelve todas las cuestiones de ese test con una tasa de aciertos comparable a la de las personas". O tiramos la toalla o nos vamos inventando otro test de inteligencia. De momento, es posible ver a Spaun en acción en una serie de videos publicados en la web por sus creadores: http://nengo.ca/build-a-brain/spaunvideos

"Solo sabremos construir un cerebro cuando sepamos cómo funciona", comenta en Science Christian Machens, del Programa de Neurociencias Champalimaud, en Lisboa. "Eso implica comprender las computaciones que lleva a cabo cada área del cerebro, y cómo estas computaciones se pueden modelar con redes neurales".

Pese a lo que indica su nombre, las redes neurales a las que se refiere Machens no están hechas de neuronas biológicas, sino de su equivalente en silicio. Al igual que las células reales en las que se inspiran, las neuronas artificiales reciben muchos inputs y los integran para generar un solo output, y pueden modificar el peso que dan a cada información de entrada según la experiencia previa.

Tanto Machens como el propio Eliasmith coinciden en el elemento crucial que falta para que Spaun funcione como un cerebro humano: la flexibilidad necesaria para aprender a resolver problemas completamente nuevos. A los humanos se nos supone.