Un equipo de investigadores de la Northwestern University ha desarrollado un dispositivo nanoelectrónico que puede realizar tareas de aprendizaje automático (machine learning) sin necesidad de recurrir a la nube. El dispositivo, que es 100 veces más eficiente en cuanto a energía que los sistemas actuales, podría permitir el uso de IA en dispositivos móviles.
El dispositivo, llamado “Memristor-based Spiking Neural Network” (M-SNN), se basa en un tipo de dispositivo electrónico llamado memristor. Los memristores son dispositivos que pueden recordar información en forma de resistencia. En el M-SNN, los memristores se utilizan para almacenar los pesos de los nodos en una red neuronal.
La red neuronal es un tipo de algoritmo de aprendizaje automático que se inspira en el funcionamiento del cerebro humano. Las redes neuronales pueden aprender a realizar tareas complejas, como la clasificación de imágenes o la detección de objetos.
El M-SNN es capaz de realizar tareas de aprendizaje automático de forma local, sin necesidad de conectarse a la nube. Esto lo hace ideal para dispositivos móviles, que suelen tener un consumo de energía limitado.
Los investigadores del Northwestern University han demostrado que el M-SNN puede realizar tareas de aprendizaje automático con un gran ahorro de energía. En un experimento, el dispositivo pudo clasificar imágenes con una precisión del 90%, utilizando solo el 1% de la energía que necesitaría un sistema tradicional.
El M-SNN es un desarrollo importante para la IA en dispositivos móviles. El dispositivo podría permitir el uso de IA en una variedad de aplicaciones móviles, como la realidad aumentada, la realidad virtual y el reconocimiento facial.
El M-SNN podría tener un impacto significativo en el desarrollo de la IA en dispositivos móviles. El dispositivo podría permitir el uso de IA en una variedad de aplicaciones móviles, como:
- Realidad aumentada y realidad virtual: El M-SNN podría utilizarse para mejorar la experiencia de realidad aumentada y realidad virtual. El dispositivo podría utilizarse para generar imágenes y entornos realistas, y para rastrear el movimiento del usuario.
- Reconocimiento facial: El M-SNN podría utilizarse para mejorar el reconocimiento facial. El dispositivo podría utilizarse para identificar a las personas de forma más rápida y precisa, incluso en condiciones de poca luz.
- Clasificación de imágenes: El M-SNN podría utilizarse para clasificar imágenes de forma más eficiente. El dispositivo podría utilizarse para clasificar imágenes de objetos, personas y lugares.
El M-SNN aún se encuentra en las primeras etapas de desarrollo. Los investigadores están trabajando para mejorar el rendimiento del dispositivo y reducir su tamaño aún más su tamaño.
Un reto importante es que el M-SNN es un dispositivo analógico. Los dispositivos analógicos son menos eficientes en cuanto a energía que los dispositivos digitales. Y por eso los investigadores están trabajando para desarrollar una versión digital del M-SNN.
Otro reto es que el M-SNN es un dispositivo complejo. Los investigadores están trabajando para simplificar el diseño del dispositivo para que sea más fácil de fabricar.
A pesar de los retos, el M-SNN es un desarrollo importante para la IA en dispositivos móviles, pues tiene el potencial de revolucionar el uso de la IA en los dispositivos móviles, que son los más usados hoy en día.
Veremos como evoluciona en el futuro próximo.
ES 
EN 