Investigadores utilizan memristores para crear redes neuronales más eficientes en términos energéticos

Uno de los aspectos menos glamorosos de la inteligencia artificial es que a menudo requiere una gran cantidad de potencia de procesamiento y, por lo tanto, tiene un gran impacto energético. Un trabajo reciente realizado por investigadores de la UCL ha determinado un método para mejorar la eficiencia energética de la IA.

Las redes neuronales y el aprendizaje automático son herramientas poderosas, pero los logros más impresionantes de la inteligencia artificial suelen tener un gran costo energético asociado. Por ejemplo, cuando OpenAI enseñó a una mano robótica a manipular un cubo de Rubik, se estimó que el logro requirió alrededor de 2,8 gigavatios-hora de electricidad.

Según TechExplore, los investigadores de la UCL han diseñado un nuevo método para generar redes neuronales artificiales. El nuevo método utiliza memristores para generar la red, que son alrededor de 1000 veces más eficientes en términos energéticos que las redes creadas con enfoques tradicionales. Los memristores son dispositivos que pueden recordar la cantidad de carga eléctrica que fluyó a través de ellos, conservando ese estado de memoria después de que se han apagado. Esto significa que pueden recordar su estado incluso si un dispositivo pierde energía. Aunque los memristores se teorizaron por primera vez hace alrededor de 50 años, no fue hasta 2008 que se creó un memristor real.

Los memristores se refieren ocasionalmente como dispositivos de “computación neuromórfica” o “inspirados en el cerebro”. Los memristores son similares a los bloques de construcción que el cerebro utiliza para procesar información y crear recuerdos. Son muy eficientes en comparación con la mayoría de los sistemas informáticos modernos. Estos dispositivos memristores poseen aspectos de condensadores y resistores, y en la última década o así se han fabricado y utilizado en una variedad de dispositivos de memoria. Los equipos de investigación de la UCL esperan que su investigación ayude a que estos dispositivos se utilicen para crear sistemas de IA en unos pocos años.

A pesar de su mayor eficiencia energética, los memristores son tradicionalmente mucho menos eficientes que las redes neuronales regulares, pero los investigadores de la UCL encontraron una forma de aumentar la precisión de los memristores. Los investigadores encontraron que cuando se utilizan muchos memristores, se pueden dividir en múltiples subgrupos y luego promediar sus cálculos. El promedio de los cálculos ayuda a cancelar los errores en los subgrupos y a encontrar patrones más relevantes.

El Dr. Adnan Mehonic y el estudiante de doctorado Dovydas Joksas (ambos de la Facultad de Ingeniería Electrónica y Eléctrica de la UCL) y sus coautores probaron este enfoque de promediación en varios tipos de memristores y encontraron que la técnica parecía mejorar la precisión en todos los memristores probados, no solo en uno o dos de ellos. Las mejoras en la precisión se aplicaron a todos los grupos que se probaron, independientemente del tipo de material del que estaban hechos los memristores.

Según el Dr. Mehonic, como se cita en TechExplore:

“Esperábamos que podría haber enfoques más genéricos que mejoren no solo el comportamiento a nivel de dispositivo, sino también a nivel de sistema, y creemos que lo hemos encontrado. Nuestro enfoque muestra que, cuando se trata de memristores, varios cabezas son mejores que uno. Organizar la red neuronal en varias redes más pequeñas en lugar de una gran red condujo a una mayor precisión en general”.

El equipo de investigación estaba emocionado de haber tomado una técnica de ciencias de la computación y aplicarla a los memristores, también utilizando una técnica común de evitación de errores (promediando cálculos) para aumentar la precisión de las redes neuronales memristivas. El coautor del estudio, el profesor Tony Kenyon de la Facultad de Ingeniería Electrónica y Eléctrica de la UCL, cree que los memristores podrían “desempeñar un papel principal” en la creación de dispositivos de computación de borde y dispositivos IoT más sostenibles en términos energéticos.

Los memristores no solo son más eficientes en términos energéticos que los modelos de redes neuronales tradicionales, sino que también pueden incluirse fácilmente en un dispositivo portátil. Esto es de creciente importancia en el futuro cercano, ya que se crean y transmiten más datos todo el tiempo, aunque es difícil aumentar la capacidad de transmisión más allá de un cierto punto. Los memristores podrían ayudar a permitir la transferencia de grandes volúmenes de datos a una fracción del costo energético.