Enfoque revolucionario de la programación de ordenadores de depósito basados en RNN: Introducción del código máquina neuronal

En un reciente avance, los experimentados investigadores de la Universidad de Pensilvania Jason Kim y Dani S. Bassett han introducido un innovador marco para diseñar y programar redes neuronales recurrentes (RNN) basadas en ordenadores reservorio. Su innovador planteamiento, basado en los mecanismos empleados por los lenguajes de programación en el hardware informático, tiene el potencial de transformar el desarrollo de la IA. Este método pionero puede descifrar los parámetros adecuados para cualquier red, personalizando así sus cálculos para mejorar el rendimiento específico de cada problema.

La singular técnica del dúo tiene su origen en la curiosidad por comprender cómo procesa y representa la información el cerebro humano. Kim y Bassett se inspiraron en los éxitos de las RNN en el aprendizaje de cálculos complejos y el modelado de la dinámica cerebral. Imaginaron programar las RNN de forma similar a los ordenadores. Estudios previos sobre teoría del control, sistemas dinámicos y física les aseguraron que no estaban persiguiendo un sueño imposible.

Su propuesta, concebida como el código de una máquina neuronal, podría hacerse realidad descompilando las representaciones internas y la dinámica de las RNN. El proceso análogo en programación informática sería la compilación de un algoritmo en el hardware. El planteamiento implica diferenciar la ubicación de los transistores individuales y los tiempos de activación.

En las RNN, estas operaciones se realizan en paralelo en toda la red mediante pesos distribuidos. Simultáneamente, las neuronas almacenan la memoria y ejecutan estas operaciones, explicó Kim. Los investigadores incorporaron las matemáticas para definir el conjunto de operaciones y ejecutar un algoritmo específico. Además, también extrajeron el algoritmo de ejecución sobre un conjunto de pesos existente. La clara ventaja es que no necesita datos ni muestreo. Además, el planteamiento también dilucida una serie de patrones de conectividad para ejecutar el algoritmo deseado, en lugar de uno solo.

El equipo demostró la eficacia de su innovador planteamiento empleando su marco para crear RNN para diversas aplicaciones. Desde máquinas virtuales hasta puertas lógicas, pasando por videojuegos de ping-pong impulsados por IA, sus planteamientos dieron muy buenos resultados sin necesidad de realizar ajustes por ensayo y error.

Las aportaciones de su trabajo provocan un cambio de paradigma en la comprensión y el estudio de las RNN. Las herramientas de procesamiento de datos se transforman en ordenadores completos. Este cambio abre la oportunidad de examinar el propósito, el diseño y la capacidad de una RNN para realizar tareas. Kim compartió que sus redes podrían iniciarse con un algoritmo basado en hipótesis en lugar de pesos aleatorios. Esto también podría eliminar la necesidad de RNN preentrenadas.

El trabajo del equipo es un prometedor paso adelante en la extracción y traducción de pesos entrenados en algoritmos explícitos. Este planteamiento da lugar a un software eficiente desde el punto de vista energético y que podría examinarse rigurosamente en cuanto a rendimiento y comprensión científica. La plataforma sin código AppMaster también podría aprovechar estos avances e integrarlos en su completo conjunto de herramientas para crear aplicaciones backend, web y móviles de alto rendimiento, encapsulando estas funcionalidades en sus suscripciones y ofertas.

El equipo de investigación de Bassett en la Universidad de Pensilvania pretende aplicar técnicas de aprendizaje automático, especialmente RNN, para recrear los procesos cognitivos humanos. Su invención del código máquina neuronal se ajusta bien a este objetivo.

Otra dirección interesante de su trabajo de investigación es el diseño de RNN para realizar tareas que reproduzcan la funcionalidad cognitiva humana. Bassett explica los avances de su investigación y afirma que planean diseñar RNN con funciones como la atención, la propiocepción y la curiosidad. Al hacerlo, están ansiosos por identificar los perfiles de conectividad que sustentan estos procesos cognitivos únicos.