Investigadores de la Universidad de Osaka y la Universidad de Hokkaido han desarrollado un nuevo método para conectar neuronas en un software húmedo neuromórfico. El Wetware consta de alambres de polímero conductor que crecen en una configuración tridimensional, lo que se logra aplicando un voltaje de onda cuadrada a electrodos sumergidos en una solución precursora. El voltaje puede modificar la conductancia del cable, lo que permite entrenar la red. Esta red fabricada puede realizar aprendizaje hebbiano no supervisado y aprendizaje basado en picos.

El desarrollo de redes neuronales para crear inteligencia artificial en computadoras se inspiró originalmente en el funcionamiento de los sistemas biológicos. Sin embargo, estas redes ‘neuromórficas’ se ejecutan en un hardware que no se parece en nada a un cerebro biológico, lo que limita el rendimiento. Ahora, los investigadores de la Universidad de Osaka y la Universidad de Hokkaido planean cambiar esto mediante la creación de « wetware » neuromórfico.

Si bien los modelos de redes neuronales han logrado un éxito notable en aplicaciones como la generación de imágenes y el diagnóstico de cáncer, todavía están muy por detrás de las capacidades generales de procesamiento del cerebro humano. En parte, esto se debe a que se implementan en software utilizando hardware informático tradicional que no está optimizado para los millones de parámetros y conexiones que normalmente requieren estos modelos.

El software húmedo neuromórfico, basado en dispositivos memristivos, podría abordar este problema. Un dispositivo memristivo es un dispositivo cuya resistencia se establece por su historial de voltaje y corriente aplicados. En este enfoque, la electropolimerización se usa para unir electrodos sumergidos en una solución precursora usando alambres hechos de polímero conductor. Luego, la resistencia de cada cable se ajusta mediante pequeños pulsos de voltaje, lo que da como resultado un dispositivo memristivo.

« Se ha demostrado el potencial para crear redes rápidas y energéticamente eficientes utilizando estructuras 1D o 2D », dice la autora principal Megumi Akai-Kasaya. « Nuestro objetivo era extender este enfoque a la construcción de una red 3D ».

Los investigadores pudieron hacer crecer cables de polímero a partir de una mezcla de polímero común llamada ‘PEDOT:PSS’, que es altamente conductora, transparente, flexible y estable. Primero se sumergió una estructura 3D de electrodos superior e inferior en una solución precursora. Los cables PEDOT:PSS luego se cultivaron entre electrodos seleccionados aplicando un voltaje de onda cuadrada en estos electrodos, imitando la formación de conexiones sinápticas a través de la guía de axones en un cerebro inmaduro.

Una vez que se formó el cable, las características del cable, especialmente la conductancia, se controlaron mediante pequeños pulsos de voltaje aplicados a un electrodo, lo que cambia las propiedades eléctricas de la película que rodea los cables.

« El proceso es continuo y reversible », explica el autor principal Naruki Hagiwara, « y esta característica es lo que permite entrenar la red, al igual que las redes neuronales basadas en software ».

La red fabricada se usó para demostrar el aprendizaje hebbiano no supervisado (es decir, cuando las sinapsis que a menudo se disparan juntas fortalecen su conexión compartida con el tiempo). Además, los investigadores pudieron controlar con precisión los valores de conductancia de los cables para que la red pudiera completar sus tareas. El aprendizaje basado en picos, otro enfoque de las redes neuronales que imita más de cerca los procesos de las redes neuronales biológicas, también se demostró mediante el control del diámetro y la conductividad de los cables.

Luego, al fabricar un chip con una mayor cantidad de electrodos y usar canales de microfluidos para suministrar la solución precursora a cada electrodo, los investigadores esperan construir una red más grande y poderosa. En general, el enfoque determinado en este estudio es un gran paso hacia la realización de software húmedo neuromórfico y el cierre de la brecha entre las capacidades cognitivas de los humanos y las computadoras.