Inteligencia artificial
Los investigadores desarrollan una nueva forma de aumentar la eficiencia energética de las computadoras inteligentes
Investigadores de la Escuela de Ingeniería Cockrell de la Universidad de Texas en Austin han descubierto una nueva forma de aumentar la eficiencia energética de las computadoras inteligentes. Esto ocurre en un momento en que existe una mayor necesidad de energía para procesar cantidades masivas de datos, como resultado de la tecnología recientemente desarrollada.
Infraestructura de Computadores
Los chips de silicio se utilizan normalmente para construir la infraestructura que alimenta las computadoras, pero el sistema recientemente desarrollado se basa en componentes magnéticos en lugar de silicio. Los chips de silicio están comenzando a alcanzar sus limitaciones debido a cosas como la inteligencia artificial, los automóviles autónomos y los teléfonos 5G y 6G. Las nuevas aplicaciones requieren velocidades más rápidas, latencia reducida y detección de luz, todo lo cual requiere mayor energía. Debido a esto, se están buscando alternativas a la silicona.
Al estudiar la física de los componentes magnéticos, los investigadores encontraron nueva información sobre cómo se pueden reducir los costos de energía. También descubrieron formas de disminuir los requisitos de los algoritmos de entrenamiento, que son redes neuronales capaces de reconocer patrones e imágenes.
Jean Anne Incorvia es profesora asistente en el Departamento de Ingeniería Eléctrica e Informática de la Escuela Cockrell.
“En este momento, los métodos para entrenar sus redes neuronales consumen mucha energía”, dijo Jean Anne Incorvia. “Lo que nuestro trabajo puede hacer es ayudar a reducir el esfuerzo de capacitación y los costos de energía”.
Los resultados de la investigación fueron publicados en Nanotecnología PIO.
Inhibición lateral
Incorvia estuvo acompañado por el primer autor y estudiante de posgrado de segundo año Can Cui. Juntos, dirigieron el estudio y descubrieron que la capacidad de las neuronas artificiales, o nanocables magnéticos, para competir entre sí se puede aumentar naturalmente espaciándolas de ciertas maneras. En esta situación acaban ganando los más activados, y el efecto se denomina “inhibición lateral”.
La inhibición lateral normalmente aumenta los costos y consume más energía y espacio, debido a los circuitos adicionales que se requieren dentro de las computadoras.
Según Incorvia, el nuevo método es mucho más eficiente energéticamente que un algoritmo de propagación hacia atrás estándar. Al realizar las mismas tareas de aprendizaje, hay una reducción de energía de 20 a 30 veces lograda por el método de los investigadores.
Al mirar computadoras nuevas, existe una similitud entre ellas y los cerebros humanos. Al igual que los cerebros humanos contienen neuronas, las computadoras contienen versiones artificiales. La inhibición lateral tiene lugar cuando las neuronas de activación más rápida impiden que las neuronas más lentas disparen. Esto da como resultado una menor necesidad de uso de energía en el procesamiento de datos.
Incorvia ha indicado que se está produciendo un cambio fundamental en las computadoras y en su funcionamiento. Una de las nuevas tendencias se llama computación neuromórfica, que puede verse como el proceso de diseñar computadoras para pensar como cerebros humanos.
Los dispositivos inteligentes recientemente desarrollados están diseñados para analizar cantidades masivas de datos simultáneamente, en lugar de simplemente procesar tareas individuales. Este es uno de los aspectos fundamentales de la inteligencia artificial y el aprendizaje automático.
El enfoque principal de esta investigación fueron las interacciones entre dos neuronas magnéticas y las interacciones de múltiples neuronas. El equipo ahora aplicará sus hallazgos a conjuntos más grandes de múltiples neuronas.
La investigación fue apoyada por una Fundación Nacional de Ciencias CARRERA Premio y Laboratorios Nacionales Sandia. Los recursos fueron proporcionados por el Centro de Computación Avanzada de Texas de UT.
