Material learning: Emulando redes neuronales con nanodispositivos

Expositor: Federico Ribetto

Director: Raul Bustos Marún

Resumen: El fuerte aumento en la potencia de la computación digital, en combinación con la disponibilidad de grandes cantidades de datos, ha llevado a una revolución en el aprendizaje automático. Sin embargo, la implementación del mismo en computadoras digitales es intrínsecamente ineficiente, ya que el consumo de energía se vuelve prohibitivamente alto para muchas aplicaciones. Por este motivo, la comunidad científica ha comenzado a indagar en formas de computación no convencionales. En principio, se podría explotar cualquier material y sus propiedades físicas para resolver un problema computacional; por lo que resulta natural pensar en usar la materia misma para la realización de cómputos. En este seminario, mostraré algunos ejemplos de nanodispositivos conocidos como unidades de procesamiento de redes de dopantes (DNPUs, por sus siglas en inglés). Con una eficiencia energética potencialmente muy alta, estos sistemas se pueden entrenar para realizar operaciones lógicas y tareas estándares de aprendizaje automático en un tamaño reducido. Los mismos pueden ser considerados como realizaciones físicas de redes neuronales, siendo programados con herramientas de aprendizaje automático para lograr funcionalidad; dando lugar así al concepto de material learning. Este enfoque permite alcanzar funcionalidad de manera eficiente, sin la necesidad de diseñar circuitos para las operaciones elementales subyacentes. Esto facilitaría el escaleo hacia plataformas de procesamiento de información de alto rendimiento y masivamente paralelas para tareas computacionales complejas.