Investigadores de la Universidad de Purdue han propuesto un novedoso modelo de aprendizaje llamado “descenso de gradiente dependiente del tiempo de disparo de orden fraccionario (FO-STDGD)” dirigido a redes neuronales de picos múltiples. Este nuevo enfoque ofrece una mejora significativa en la exactitud de las clasificaciones y en la eficacia computacional de las redes neuronales spiking (SNNs) en comparación con los métodos convencionales de aprendizaje.
El estudio, liderado por Yi Yang y su equipo, se centra en la implementación del aprendizaje supervisado en entornos de SNNs, un campo complejo debido a la naturaleza intrínsecamente no diferenciable de los eventos de picos discretos. Las SNNs, que simulan funciones cerebrales al codificar información a través del tiempo preciso de los potenciales de acción asíncronos, presentan un desafío al aplicar métodos tradicionales de aprendizaje como la técnica de retropropagación. El FO-STDGD aborda esta barrera al integrar un método de gradiente fraccionario que mejora las reglas de actualización supervisada de sinapsis.
La metodología detrás de FO-STDGD está respaldada por una función de activación derivada no lineal y un conjunto de algoritmos que permite ajustar el grado fraccionario entre 0 y 2. El modelo fue testeado con los conjuntos de datos MNIST y DVS128 Gesture, obteniendo resultados asombrosos. A medida que el orden fraccionario se incrementaba de 0.1 a 1.9, se observó una mejora notable del 155% en la precisión de la clasificación, superando ampliamente a los métodos convencionales basados en el descenso del gradiente tradicional.
Aparte de mejorar la precisión de clasificación, el FO-STDGD también mostró una eficacia computacional de vanguardia, acelerando el tiempo de convergencia en situaciones donde otras técnicas de descenso del gradiente han quedado rezagadas. Esto sugiere que el FO-STDGD no solo es un importante avance teórico, sino una herramienta práctica capaz de adaptarse a diversas arquitecturas neuronales, desde sistemas simples a las complejas redes de neuronas spiking.
En conclusión, el modelo de FO-STDGD se perfila como un hito en la integración de la dependencia biológicamente plausible de tiempo de picos en las técnicas de aprendizaje supervisado. Este modelo no solo refuerza las capacidades computacionales de las SNNs, sino que también abre nuevas vías para implementar soluciones de hardware neuromórfico eficientes y de bajo consumo. Con estos resultados prometedores, se avista un futuro donde las aplicaciones neuromórficas y la ingeniería computacional convergerán en la construcción de sistemas inteligentes aún más avanzados.