El tema de reconocer rostros tiene que ver mucho con la visión por computadora, una de las asignaturas más importantes en este mundo en donde la vigilancia entre seres humanos es casi cotidiana.
Sin embargo, hay otras tareas que se hacen en visión por computadora, como diagnosticar cáncer en la piel de forma confiable, hacer automóviles autónomos y controlar robots.
El asunto es que para un número enorme de tareas se requiere procesar imágenes y esto normalmente se hace a las velocidades que pueden dar los dispositivos como las cámaras, que finalmente es una fuerte limitación a la velocidad de reconocimiento del software.
Esto además tiene que ver con la cantidad de imágenes que pueden enviarse por segundo, lo que hace que cuando se tiene un gran volumen de datos, el trabajo del software sea mucho más lento, por decir lo menos.
Una idea para acelerar el reconocimiento: hardware que aprende
Los científicos de la Universidad de Tecnología en Vienna han decidido tomar otro enfoque: usar un material especial 2D y un sensor de imágenes, que fue desarrollado para ser entrenado en el reconocimiento de ciertos objetos.
Este chip representa una red neuronal artificial capaz de aprender, es decir, ¡una red neuronal en un chip! Los datos entonces, no tienen que ser leídos y procesados por una computadora, pues el chip da la información sobre lo que el sistema ve, en nanosegundos. Este trabajo se presentó en la Revista Nature.
Las redes neuronales artificiales son sistemas que emulan la actividad de las neuronas del cerebro, guardando proporciones y distancias. Las células nerviosas se conectan a otras células nerviosas. Cuando una se activa, puede influenciar su actividad a las células circundantes.
El aprendizaje artificial en la computadora trabaja de acuerdo al mismo principio: una red de neuronas se simula digitalmente, y la fuerza con la que un nodo de este conjunto de «neuronas» tiene influencia sobre otro nodo cambia el comportamiento eventual de la red.
«Típicamente, los datos de la imagen se leen, pixel por pixel, y se procesan en una computadora», dice Thomas Mueller.
«Por otra parte, integrar la red neuronal con IA directamente en el hardware del sensor de la imagen es el truco principal, pues hace que el sistema reconozca objetos a velocidades muy altas».
El chip se desarrolló en TU Vienna y se basa en fotodetectores que están hechos de tungsteno diselenido, un material ultrafino consistente en solamente tres capas atómicas. Los fotodetectores individuales, los «pixeles», por decirlo de alguna manera, se conectan a un pequeño número de elementos de salida, los cuales son el resultado del reconocimiento del objeto.
Más trucos para optimizar el aprendizaje
«En nuestro chip, podemos específicamente ajustar la sensibilidad de cada elemento del detector, es decir, podemos controlar la forma en que se toma la señal de un detector particular y ver cómo afecta la señal de salida», comenta Lukas Mennel, uno de los autores de la publicación.
«Todo lo que tenemos que hacer es simplemente ajustar un campo eléctrico directamente en el fotodetector. Esta adaptación se logra con la ayuda externa de un programa de computadora.
Uno puede, por ejemplo, usar el sensor para registrar diferentes letras y cambiar las sensibilidades de los pixeles individuales, paso por paso, hasta que se observa cierta letra que lleva a la correspondiente señal de salida. Esta es la manera en la que está configurado el chip. Algunas conexiones de la red neuronal entonces se hacen más fuertes y otras más débiles», comenta Mennel.
Cuando el proceso de aprendizaje se ha completado, la computadora ya no es necesaria. La red neuronal puede ahora trabajar sola. Si se le presenta una letra al sensor, genera la salida a partir del entrenamiento hecho en un tiempo de 50 nanosegundos, lo cual sin duda es extraordinario.
«Nuestro chip de prueba es pequeño aún, pero es claro que la tecnología puede escalarse dependiendo de la tarea que se quiere resolver», dice Mueller.
«En principio, el chip podría ser entrenado para reconocer solamente plátanos o manzanas, pero lo que nosotros vemos es usarlo en experimentos científicos y en aplicaciones especializadas».
No hay duda que la tecnologías aplicada a ciertos fenómenos requiere de altas velocidades, por ejemplo, detección de partículas, que en muchos casos ocurren a muy alta velocidad. Es evidente que esta tecnología tiene mucho futuro.