Investigadores Desarrollan una Nueva Forma de Aumentar la Eficiencia Energética de las Computadoras Inteligentes

Los 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 hay una mayor necesidad de energía para procesar grandes cantidades de datos, como resultado de la nueva tecnología desarrollada.

Infraestructura de las Computadoras

Normalmente, se utilizan chips de silicio para construir la infraestructura que alimenta a las computadoras, pero el sistema recién desarrollado se basa en componentes magnéticos en lugar de silicio. Los chips de silicio están comenzando a alcanzar sus límites, debido a cosas como la inteligencia artificial, los coches autónomos y los teléfonos 5G y 6G. Las nuevas aplicaciones requieren velocidades más rápidas, latencia reducida y detección de luz, todo lo cual requiere una mayor cantidad de energía. Debido a esto, se están explorando alternativas al silicio.

Al estudiar la física de los componentes magnéticos, los investigadores encontraron nueva información sobre cómo se pueden reducir los costos energéticos. También descubrieron formas de disminuir los requisitos de los algoritmos de entrenamiento, que son redes neuronales capaces de reconocer patrones y imágenes.

Jean Anne Incorvia es profesora asistente en el Departamento de Ingeniería Eléctrica y de Computadoras de la Escuela Cockrell.

“En este momento, los métodos para entrenar las redes neuronales son muy intensivos en términos de energía”, dijo Jean Anne Incorvia. “Lo que nuestro trabajo puede hacer es ayudar a reducir el esfuerzo de entrenamiento y los costos energéticos”.

Los hallazgos de la investigación se publicaron en IOP Nanotechnology.

Inhibición Lateral

Incorvia fue acompañada por el primer autor y estudiante de posgrado de segundo año Can Cui. Juntos, lideraron el estudio y descubrieron que la capacidad de las neuronas artificiales, o nanohilos magnéticos, para competir entre sí puede aumentarse naturalmente espaciándolos de cierta manera. En esta situación, las neuronas más activadas terminan ganando, y el efecto se conoce como “inhibición lateral”.

La inhibición lateral normalmente aumenta los costos y requiere más energía y espacio, debido a la circuitería adicional que se requiere dentro de las computadoras.

Según Incorvia, el nuevo método es mucho más eficiente en términos de energía que un algoritmo de propagación hacia atrás estándar. Al realizar las mismas tareas de aprendizaje, se logra una reducción de energía de 20 a 30 veces con el método de los investigadores.

Al observar las nuevas computadoras, hay una similitud entre ellas y el cerebro humano. Al igual que el cerebro humano contiene neuronas, las computadoras contienen versiones artificiales. La inhibición lateral se produce cuando las neuronas más lentas son impedidas de disparar por las neuronas que disparan más rápido. Esto resulta en una disminución de la necesidad de energía para procesar datos.

Incorvia ha indicado que hay un cambio fundamental que se está produciendo dentro de las computadoras y cómo funcionan. Una de las nuevas tendencias se conoce como computación neuromórfica, que puede considerarse como el proceso de diseñar computadoras para que piensen como el cerebro humano.

Los nuevos dispositivos inteligentes están diseñados para analizar grandes cantidades de datos simultáneamente, en lugar de procesar solo tareas individuales. Esto es uno de los aspectos fundamentales de la inteligencia artificial y el aprendizaje automático.

El enfoque principal de esta investigación fue la interacción entre dos neuronas magnéticas y la interacción de múltiples neuronas. El equipo ahora aplicará sus hallazgos a conjuntos más grandes de múltiples neuronas.

La investigación fue apoyada por una beca CAREER de la Fundación Nacional de Ciencia y los Laboratorios Nacionales Sandia. Los recursos fueron proporcionados por el Centro de Computación Avanzada de Texas de la UT.