Aprendizaje federado (FL) usando un chip de memristor. Crédito: Nature Electronics (2025). Doi: 10.1038/s41928-025-01390-6
En las últimas décadas, los científicos informáticos han estado desarrollando técnicas de aprendizaje automático cada vez más avanzado que pueden aprender a predecir patrones específicos o completar tareas efectivamente mediante el análisis de grandes cantidades de datos. Sin embargo, algunos estudios han destacado las vulnerabilidades de algunas herramientas basadas en IA, lo que demuestra que la información confidencial a la que se alimentan podría ser accedida potencialmente por terceros maliciosos.
Un enfoque de aprendizaje automático que podría proporcionar una mayor privacidad de datos es el aprendizaje federado, lo que implica la capacitación colaborativa de una red neuronal compartida por varios usuarios o partes que no están obligados a intercambiar ningún datos sin procesar entre sí. Esta técnica podría ser particularmente ventajosa cuando se aplica en sectores que pueden beneficiarse de la IA pero que se sabe que almacena datos de usuarios altamente sensibles, como la atención médica y las finanzas.
Investigadores de la Universidad de Tsinghua, el China Mobile Research Institute y la Universidad de Hebei desarrollaron recientemente un nuevo chip de cómputo en memoria para el aprendizaje federado, que se basa en memristores, componentes electrónicos no volátiles que pueden realizar cálculos e información de almacenamiento, adaptando su resistencia basada en la corriente eléctrica que fluyó a través de ellos en el pasado. Su chip propuesto, descrito en un papel publicado En Nature Electronics, se descubrió que aumenta tanto la eficiencia como la seguridad de los enfoques de aprendizaje federado.
“Federated Learning proporciona un marco para que múltiples participantes capaciten colectivamente una red neuronal mientras mantienen la privacidad de los datos, y se logra comúnmente a través del cifrado homomórfico”, escribió Xueqi Li, Bin Gao y sus colegas en su artículo. “Sin embargo, la implementación de este enfoque en un borde local requiere una generación de claves, generación polinomial de error y un cálculo extenso, lo que resulta en un tiempo y un consumo sustancial de energía.
“Reportamos una arquitectura de chip de Memristor Compute-In Memory con una función física injonable in situ para la generación de claves y un generador de números aleatorios verdaderos in situ para la generación polinomial de error”.
Como puede realizar cálculos e información de almacenamiento, la nueva arquitectura basada en Memristor propuesta por los investigadores podría reducir el movimiento de los datos y, por lo tanto, limitar la energía requerida para que diferentes partes entrenen colectivamente una red neuronal artificial (ANN) a través del aprendizaje federado.
El chip del equipo también incluye una función física inclonable, una técnica basada en hardware para generar claves seguras durante la comunicación cifrada, así como un verdadero generador de números aleatorios, un método para producir números impredecibles para el cifrado.
“Nuestra arquitectura, que incluye un método de operación de matriz de formación de formación de la competencia, un diseño de circuito de extracción de entropía basado en la memoria en memoria y un esquema de codificación basado en el sistema de número de residuos redundantes, permite un cálculo de baja tasa de error, la función física no clonable y el verdadero generador de números aleatorios que se implementan dentro del mismo membrista y los circuitos de matriz períperas”, escribió los investigadores.
“Para ilustrar la funcionalidad de este aprendizaje federado basado en memristor, realizamos un estudio de caso en el que cuatro participantes entrenan en un entrenamiento de una red de memoria a corto plazo a largo plazo de dos capas con 482 pesos para la predicción de sepsis”.
Para evaluar el potencial de su chip de cálculo en memoria, los investigadores lo usaron para permitir la capacitación colectiva de una red de memoria a largo plazo a largo plazo, una técnica de aprendizaje profundo que a menudo se usa para hacer predicciones basadas en datos secuenciales, textos o registros médicos, por cuatro participantes humanos. Los cuatro participantes co-entrenaron esta red para predecir la sepsis, una condición médica grave y potencialmente fatal que surge de infecciones graves, basada en los datos de salud de los pacientes.
“La precisión de la prueba en la matriz Memristor de 128 kb es solo 0.12% menor que la lograda con el aprendizaje centralizado del software”, escribieron los autores. “Nuestro enfoque también exhibe un consumo reducido de energía y tiempo en comparación con el aprendizaje federado digital convencional”.
En general, los resultados de este estudio reciente destacan el potencial de las arquitecturas de computadora en memoria basadas en memristor para mejorar la eficiencia y la privacidad de las implementaciones de aprendizaje federado. En el futuro, el chip desarrollado por Li, Gao y sus colegas podrían mejorarse aún más y usarse para entrenar otros algoritmos de aprendizaje profundo en una variedad de tareas del mundo real.
Escrito para usted por nuestro autor Ingrid Fadellieditado por Lisa Lock
y verificado y revisado por Robert Egan —Este artículo es el resultado de un trabajo humano cuidadoso. Confiamos en lectores como usted para mantener vivo el periodismo científico independiente. Si este informe le importa, considere un donación (especialmente mensual). Obtendrá una cuenta sin anuncios como agradecimiento.
Más información: Xueqi Li et al, aprendizaje federado utilizando un chip de Memristor Compute-in Memory con una función física in situ inclonable y un verdadero generador de números aleatorios, Nature Electronics (2025). Dos: 10.1038/s41928-025-01390-6
© 2025 Science X Network
Cita: el chip de cálculo en memoria se muestra prometedor para una mayor eficiencia y privacidad en sistemas de aprendizaje federado (2025, 24 de junio) Recuperado el 24 de junio de 2025 de https://techxplore.com/news/2025-06-memory-chip-efficiency-privacy-federated.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
