Inteligencia Artificial Eficiente en Energía: Un Nuevo Amanecer con Computadoras Neuromórficas

El rápidamente creciente reino de la inteligencia artificial (IA) es renombrado por su rendimiento, pero conlleva un costo energético sustancial. Un nuevo enfoque, propuesto por dos destacados científicos del Instituto Max Planck para la Ciencia de la Luz en Erlangen, Alemania, apunta a entrenar a la IA de manera más eficiente, lo que podría revolucionar la forma en que la IA procesa los datos.

Los modelos actuales de IA consumen vastas cantidades de energía durante el entrenamiento. Aunque las cifras exactas son difíciles de determinar, las estimaciones de Statista sugieren que el entrenamiento de GPT-3 requiere aproximadamente 1000 megavatios-hora, equivalente al consumo anual de 200 hogares alemanes de tamaño considerable. Aunque este entrenamiento intensivo en energía ha afinado a GPT-3 para predecir secuencias de palabras, hay un consenso de que no ha captado los significados inherentes de tales frases.

Computación Neuromórfica: Fusionando Cerebro y Máquina

Mientras que los sistemas de IA convencionales se basan en redes neuronales artificiales digitales, el futuro puede residir en la computación neuromórfica. Florian Marquardt, director del Instituto Max Planck y profesor de la Universidad de Erlangen, explicó la desventaja de los conjuntos tradicionales de IA.

“La transferencia de datos entre el procesador y la memoria consume sola una cantidad significativa de energía”, destacó Marquardt, señalando las ineficiencias al entrenar vastas redes neuronales.

La computación neuromórfica se inspira en el cerebro humano, procesando los datos de manera paralela en lugar de secuencial. Esencialmente, las sinapsis en el cerebro funcionan como procesador y memoria al mismo tiempo. Los sistemas que imitan estas características, como los circuitos fotónicos que utilizan la luz para los cálculos, están actualmente en exploración.

Entrenando IA con Máquinas Físicas de Aprendizaje Automático

Trabajando junto con el estudiante de doctorado Víctor López-Pastor, Marquardt presentó un método innovador de entrenamiento para computadoras neuromórficas. Su “máquina física de aprendizaje automático” optimiza fundamentalmente sus parámetros a través de un proceso físico inherente, lo que hace que la retroalimentación externa sea redundante. “No requerir esta retroalimentación hace que el entrenamiento sea mucho más eficiente”, enfatizó Marquardt, sugiriendo que este método ahorraría tanto energía como tiempo de computación.

Sin embargo, esta técnica innovadora tiene requisitos específicos. El proceso debe ser reversible, asegurando una pérdida de energía mínima, y suficientemente complejo o no lineal. “Solo los procesos no lineales pueden ejecutar las transformaciones intrincadas entre los datos de entrada y los resultados”, afirmó Marquardt, estableciendo una distinción entre acciones lineales y no lineales.

Hacia la Implementación Práctica

El trabajo teórico de la dupla se alinea con aplicaciones prácticas. Colaborando con un equipo experimental, están avanzando en una computadora neuromórfica óptica que procesa la información utilizando ondas de luz superpuestas. Su objetivo es claro: hacer realidad el concepto de la máquina física de aprendizaje automático.

“Esperamos presentar la primera máquina física de aprendizaje automático en tres años”, proyectó Marquardt, indicando que estas redes futuras manejarían más datos y serían entrenadas con conjuntos de datos más grandes que los sistemas actuales. Dada la creciente demanda de IA y las ineficiencias intrínsecas de los conjuntos actuales, el cambio hacia computadoras neuromórficas entrenadas de manera eficiente parece tanto inevitable como prometedor.

En palabras de Marquardt, “Estamos seguros de que las máquinas físicas de aprendizaje automático tienen una buena oportunidad en la evolución continua de la inteligencia artificial”. La comunidad científica y los entusiastas de la IA esperan con ansias lo que el futuro depara.