Nuevo sistema busca resolver el problema de consumo de energía de la inteligencia artificial

Las computadoras que dependen de la inteligencia artificial (IA) requieren mucha energía, y esta demanda de potencia de cómputo se duplica aproximadamente cada tres o cuatro meses. En cuanto a los centros de datos de computación en la nube, que son utilizados por aplicaciones de IA y aprendizaje automático, utilizan más energía eléctrica por año que algunos países pequeños. Muchos investigadores advierten que este sistema es insostenible.

Un equipo de estos investigadores liderado por la Universidad de Washington ha encontrado una solución para ayudar a resolver este problema: nuevo hardware de computación óptica para IA y aprendizaje automático. Este hardware es más rápido y mucho más eficiente en términos de energía que la electrónica convencional. También ayuda a resolver el “ruido” que se produce por la computación óptica, que puede interferir con la precisión de la computación.

La investigación se publicó el 21 de enero en Science Advances.

Utilizando el ruido como entrada

En el artículo de investigación, el equipo demostró cómo un sistema de computación óptica para IA y aprendizaje automático podría utilizar parte del ruido como entrada para mejorar la salida creativa de la red neuronal artificial (RNA) dentro del sistema.

Changming Wu es un estudiante de doctorado en ingeniería eléctrica y computación de la Universidad de Washington y autor principal del artículo.

“Hemos construido una computadora óptica que es más rápida que una computadora digital convencional”, dijo Wu. “Y también, esta computadora óptica puede crear nuevas cosas basadas en entradas aleatorias generadas a partir del ruido óptico que la mayoría de los investigadores trataron de evitar.”

El ruido de la computación óptica se produce por partículas de luz errantes, o fotones. Estos son producidos por los láseres dentro del dispositivo y la radiación térmica de fondo. Para abordar el ruido, el equipo conectó su núcleo de computación óptica a una red adversaria generativa (GAN). Luego probaron diferentes técnicas de mitigación del ruido, como utilizar parte del ruido generado como entradas aleatorias para la GAN.

El equipo le indicó a la GAN que aprendiera a escribir a mano el número “7” como un ser humano, lo que significaba que tenía que aprender la tarea observando muestras visuales de escritura a mano antes de practicar una y otra vez. Debido a su forma, la computadora óptica tuvo que generar imágenes digitales que tuvieran un estilo similar a las muestras.

Mo Li es un profesor de ingeniería eléctrica y computación de la Universidad de Washington y autor senior del artículo.

“En lugar de entrenar a la red para leer números escritos a mano, la entrenamos para aprender a escribir números, imitando muestras visuales de escritura a mano en las que se había entrenado”, dijo Li. “Con la ayuda de nuestros colaboradores de ciencias de la computación en la Universidad de Duke, también demostramos que la GAN puede mitigar el impacto negativo de los ruidos del hardware de computación óptica utilizando un algoritmo de entrenamiento que es resistente a errores y ruidos. Más que eso, la red en realidad utiliza los ruidos como entrada aleatoria que se necesita para generar instancias de salida.”

A medida que la GAN continuaba practicando la escritura del número, desarrolló su propio estilo de escritura distintivo. Finalmente, pudo escribir números del 1 al 10 en simulaciones por computadora.

Construyendo un dispositivo a mayor escala

El equipo ahora buscará construir el dispositivo a una escala mayor mediante el uso de la tecnología de fabricación de semiconductores actual, lo que mejorará el rendimiento y permitirá al equipo realizar tareas más complejas.

“Este sistema óptico representa una arquitectura de hardware de computadora que puede mejorar la creatividad de las redes neuronales artificiales utilizadas en IA y aprendizaje automático, pero lo más importante, demuestra la viabilidad de este sistema a gran escala donde el ruido y los errores pueden ser mitigados e incluso aprovechados”, dijo Li. “Las aplicaciones de IA están creciendo muy rápido, por lo que en el futuro, su consumo de energía será insostenible. Esta tecnología tiene el potencial de ayudar a reducir ese consumo de energía, haciendo que la IA y el aprendizaje automático sean ambientalmente sostenibles, y muy rápidos, logrando un rendimiento general más alto.”