Los nanoimanes pueden elegir un vino y podrían saciar la sed de energía de la IA
Un nuevo tipo de red neuronal ha superado una prueba de cata de vinos virtual y promete una versión de la inteligencia artificial que consuma menos energía.
El cerebro humano procesa mucha información. Cuando los aficionados al vino prueban un vino nuevo, las redes neuronales de sus cerebros procesan una serie de datos de cada sorbo. Las sinapsis de sus neuronas se disparan, sopesando la importancia de cada dato -acidez, sabor afrutado, amargor- antes de transmitirlo a la siguiente capa de neuronas de la red. A medida que la información fluye, el cerebro analiza el tipo de vino.
Analizando las diferentes características de los vinos, como la acidez, el afrutado y el amargor (representados como frascos de colores a la izquierda), un novedoso sistema de IA (centro) determinó con éxito de qué tipo de vino se trataba (derecha). El sistema de IA se basa en dispositivos magnéticos conocidos como "uniones de túnel magnético", y fue diseñado y construido por investigadores del NIST, la Universidad de Maryland y Western Digital.
J. McClelland/NIST
Los científicos quieren que los sistemas de inteligencia artificial (IA) sean también sofisticados conocedores de los datos, por lo que diseñan versiones informáticas de las redes neuronales para procesar y analizar la información. La IA está alcanzando al cerebro humano en muchas tareas, pero suele consumir mucha más energía para hacer las mismas cosas. Nuestros cerebros realizan estos cálculos consumiendo una media estimada de 20 vatios de energía. Un sistema de IA puede utilizar miles de veces eso. Este hardware también puede retrasarse, haciendo que la IA sea más lenta, menos eficiente y menos eficaz que nuestros cerebros. Un amplio campo de investigación sobre la IA busca alternativas que consuman menos energía.
Ahora, en un estudio publicado en la revista Physical Review Applied, científicos del Instituto Nacional de Estándares y Tecnología (NIST) y sus colaboradores han desarrollado un nuevo tipo de hardware para la IA que podría consumir menos energía y funcionar con mayor rapidez, y que ya ha superado una prueba de cata virtual.
Al igual que los sistemas informáticos tradicionales, la IA se compone tanto de circuitos físicos de hardware como de software. El hardware de los sistemas de IA suele contener un gran número de chips de silicio convencionales que, en conjunto, están sedientos de energía: El entrenamiento de un procesador de lenguaje natural comercial de última generación, por ejemplo, consume unos 190 megavatios hora (MWh) de energía eléctrica, aproximadamente la cantidad que usan 16 personas en Estados Unidos en todo un año. Y eso antes de que la IA realice un día de trabajo en la tarea para la que fue entrenada.
Un enfoque menos intensivo en energía sería utilizar otro tipo de hardware para crear las redes neuronales de la IA, y los equipos de investigación están buscando alternativas. Un dispositivo prometedor es una unión de túnel magnético (MTJ), que es buena para los tipos de matemáticas que utiliza una red neuronal y sólo necesita unos pocos sorbos de energía en comparación. Se ha demostrado que otros dispositivos novedosos basados en MTJ utilizan varias veces menos energía que sus homólogos de hardware tradicionales. Los MTJ también pueden funcionar con mayor rapidez porque almacenan los datos en el mismo lugar donde realizan el cálculo, a diferencia de los chips convencionales que almacenan los datos en otro lugar. Lo mejor de todo es que los MTJ ya son importantes desde el punto de vista comercial. Han servido durante años como cabezales de lectura y escritura de discos duros y hoy se utilizan como novedosas memorias de ordenador.
Aunque los investigadores confían en la eficiencia energética de los MTJ por su rendimiento en discos duros y otros dispositivos, el consumo de energía no era el objetivo del presente estudio. En primer lugar, necesitaban saber si una matriz de MTJ podía funcionar como una red neuronal. Para averiguarlo, lo llevaron a una cata virtual.
Los científicos del programa Hardware for AI del NIST y sus colegas de la Universidad de Maryland fabricaron y programaron una red neuronal muy sencilla a partir de los MTJ que les proporcionaron sus colaboradores del Centro de Investigación de Western Digital en San José (California).
Al igual que cualquier experto en vinos, el sistema de IA necesitaba entrenar su paladar virtual. El equipo entrenó la red utilizando 148 de los vinos de un conjunto de datos de 178 elaborados con tres tipos de uva. Cada vino virtual tenía 13 características a tener en cuenta, como el nivel de alcohol, el color, los flavonoides, la ceniza, la alcalinidad y el magnesio. A cada característica se le asignó un valor entre 0 y 1 para que la red lo tuviera en cuenta a la hora de distinguir un vino de los demás.
"Es una cata de vinos virtual, pero la cata se realiza mediante un equipo analítico que es más eficiente pero menos divertido que catarlo uno mismo", dijo el físico del NIST Brian Hoskins.
A continuación, se sometió a una prueba de cata virtual con el conjunto de datos completo, que incluía 30 vinos que no había visto antes. El sistema superó la prueba con un 95,3% de éxito. De los 30 vinos con los que no se había entrenado, sólo cometió dos errores. Los investigadores lo consideraron una buena señal.
"Conseguir un 95,3% nos dice que esto funciona", dijo el físico del NIST Jabez McClelland.
No se trata de construir un sommelier de IA. Más bien, este éxito inicial demuestra que un conjunto de dispositivos MTJ podría ampliarse y utilizarse para construir nuevos sistemas de IA. Aunque la cantidad de energía que utiliza un sistema de IA depende de sus componentes, el uso de los MTJ como sinapsis podría reducir drásticamente su uso de energía a la mitad, si no más, lo que podría permitir un menor uso de energía en aplicaciones como la ropa "inteligente", los drones en miniatura o los sensores que procesan datos en la fuente.
"Es probable que la implementación de grandes redes neuronales con este tipo de matrices suponga un ahorro energético significativo respecto a los enfoques convencionales basados en software", afirma McClelland.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Más noticias del departamento ciencias
