MADRID, 11 Jul. (EUROPA PRESS) -
Una computadora construida para imitar las redes neuronales del cerebro produce resultados similares a los del mejor software de supercomputación usado para investigar la señalización neuronal.
Probada en precisión, velocidad y eficiencia energética, esta computadora personalizada llamada SpiNNaker, tiene el potencial de superar los problemas de velocidad y consumo de energía de las supercomputadoras convencionales, según la investigación publicado en Frontiers in Neuroscience.
El objetivo es avanzar en nuestro conocimiento del procesamiento neuronal en el cerebro, para incluir el aprendizaje y los trastornos como la epilepsia y la enfermedad de Alzheimer.
"SpiNNaker puede soportar modelos biológicos detallados de la corteza cerebral, la capa externa del cerebro que recibe y procesa información de los sentidos, y ofrece resultados muy similares a los de una simulación de software de supercomputadora equivalente", dice el Dr. Sacha van Albada, líder autor de este estudio y líder del grupo de Neuroanatomía Teórica en el Centro de Investigación Jülich, Alemania.
"La capacidad de ejecutar redes neuronales detalladas a gran escala de forma rápida y con bajo consumo de energía avanzará en la investigación de la robótica y facilitará los estudios sobre el aprendizaje y los trastornos cerebrales".
El cerebro humano es extremadamente complejo y comprende 100 mil millones de células cerebrales interconectadas. Entendemos cómo las neuronas individuales y sus componentes se comportan y se comunican entre sí y, a mayor escala, qué áreas del cerebro se utilizan para la percepción sensorial, la acción y la cognición. Sin embargo, sabemos menos acerca de la traducción de la actividad neuronal en el comportamiento, como convertir el pensamiento en movimiento muscular.
El software de supercomputación ha ayudado simulando el intercambio de señales entre las neuronas, pero incluso el mejor software ejecutado en los supercomputadores más rápidos hasta la fecha solo puede simular el 1% del cerebro humano.
"Actualmente no está claro qué arquitectura de computadora es la más adecuada para estudiar las redes de todo el cerebro de manera eficiente. El European Human Brain Project y el Centro de Investigación Jülich han realizado una investigación exhaustiva para identificar la mejor estrategia para este problema tan complejo: las supercomputadoras de hoy requieren varios minutos para simular un segundo de tiempo real, por lo que los estudios sobre procesos como el aprendizaje, que llevan horas y días en tiempo real, están actualmente fuera de nuestro alcance ", explica el profesor Markus Diesmann, coautor, jefe del departamento de Neurociencia Computacional y de Sistemas en el Centro de Investigación Jülich.
Continúa: "Existe una gran brecha entre el consumo de energía del cerebro y los supercomputadores de hoy en día. La computación neuromórfica (inspirada en el cerebro) nos permite investigar lo cerca que podemos llegar a la eficiencia energética del cerebro mediante la electrónica".
Desarrollado en los últimos 15 años y basado en la estructura y función del cerebro humano, SpiNNaker, parte de la Plataforma de Computación Neuromórfica del Proyecto del Cerebro Humano, es una computadora personalizada compuesta de medio millón de elementos informáticos simples controlados por su propio software. Los investigadores compararon la precisión, la velocidad y la eficiencia energética de SpiNNaker con la de NEST, un software especializado de supercomputación actualmente en uso para la investigación de señalización de neuronas cerebrales.
"Las simulaciones ejecutadas en NEST y SpiNNaker mostraron resultados muy similares", informa Steve Furber, coautor y profesor de Ingeniería Informática en la Universidad de Manchester, Reino Unido. "Esta es la primera vez que se ejecuta una simulación tan detallada de la corteza en SpiNNaker o en cualquier plataforma neuromórfica. SpiNNaker comprende 600 placas de circuitos que incorporan más de 500,000 pequeños procesadores en total. La simulación descrita en este estudio usó solo seis placas: 1% de la capacidad total de la máquina. Los resultados de nuestra investigación mejorarán el software para reducirlo a una sola placa".
