Un nuevo enfoque neuromórfico podría hacer que los futuros robots sean más inteligentes

Los científicos aprovecharon la computación neuromórfica para mantener robots que descubren nuevos objetos después del despliegue.

Para los no iniciados, la computación neuromórfica replica la estructura neuronal del cerebro humano para crear algoritmos que puedan manejar las incertidumbres del mundo natural.

Intel Labs ha desarrollado una de las arquitecturas más notables en el campo: Loihi chip neuromórfico.

Saludos humanoides

Suscríbase a nuestro boletín ahora para recibir un resumen semanal de nuestras historias favoritas de IA en su bandeja de entrada.

Loihi se compone de alrededor de 130.000 neuronas artificiales, que se envían información entre sí a través de una red neuronal «con picos» (SNN). Los chips ya habían alimentado una variedad de sistemasdesde una piel artificial inteligente hasta una «nariz» electrónica que reconoce los olores emitidos por los explosivos.

Intel Labs presentó otra aplicación esta semana. La unidad de investigación se ha unido con el Instituto Italiano de Tecnología y la Universidad Técnica de Munich para implementar Loihi en un nuevo enfoque de aprendizaje continuo para la robótica.

Aprendizaje interactivo

El método apunta a sistemas que interactúan con entornos sin restricciones, como futuros asistentes robóticos para la atención médica y la fabricación.

Las redes neuronales profundas existentes pueden tener problemas con los objetos de aprendizaje en estos escenarios, ya que requieren una gran cantidad de datos de entrenamiento bien preparados y un reentrenamiento cuidadoso en los nuevos objetos que encuentran. El nuevo enfoque neuromórfico pretende superar estas limitaciones.

Los investigadores primero implementaron un SNN en Loihi. esta arquitectura localiza el aprendizaje en una sola capa de sinapsis plásticas. También da cuenta de las diferentes vistas de los objetos al agregar nuevas neuronas a pedido.

Como resultado, el proceso de aprendizaje se lleva a cabo de forma autónoma mientras se interactúa con el usuario.

Simulaciones neuromórficas

El equipo probó su enfoque en un entorno 3D simulado. En esta configuración, el El robot detecta objetos activamente moviendo una cámara de eventos que funciona como sus ojos.

El sensor de la cámara «ve» los objetos de una manera inspirada en pequeños movimientos oculares de enfoque llamados «microsacadas». Si el objeto que está viendo es nuevo, la representación SNN se aprende o actualiza. Si se conoce el objeto, la red lo reconoce y proporciona retroalimentación al usuario.