Con la creciente difusión del aprendizaje automático y la inteligencia artificial, podemos observar su presencia en ámbitos que van desde la visión artificial hasta la generación de texto. Sin embargo, estas acciones requieren redes neuronales complejas y un consumo energético exponencialmente alto. Estas tecnologías se están volviendo cada vez más insostenibles debido al aumento de la demanda energética para su entrenamiento. Para reducir esto, los investigadores encontraron una manera en que las redes neuronales pueden hacer que el aprendizaje automático sea más sostenible.
Investigadores del Instituto Max Planck para la Ciencia de la Luz presentan un estudio que demuestra un método sencillo para reducir el consumo energético de la IA. Esto pone de manifiesto la necesidad de una alternativa más rentable y energéticamente eficiente a la computación neuromórfica. La computación neuromórfica reemplaza las redes neuronales de nuestros ordenadores con redes neuronales físicas, lo que permite realizar operaciones matemáticas de forma más rápida y eficiente energéticamente.
Desafíos
- Se requieren altas potencias láser para realizar los cálculos matemáticos complejos necesarios.
- La falta de disponibilidad de métodos generales de entrenamiento para tales redes neuronales físicas.
El director del Instituto, Florian Marquardt, explica: “Normalmente, los datos de entrada se imprimen en el campo de luz. Sin embargo, en nuestros nuevos métodos, proponemos imprimir la entrada modificando la transmisión de la luz”.
Destacados
- La fotónica y la óptica se consideran como plataformas prometedoras para la computación neuromórfica ya que mantienen el consumo de energía al mínimo.
- Es posible realizar cálculos en paralelo a una velocidad muy alta.
- Ambos desafíos pueden superarse con el nuevo método propuesto por los investigadores, ya que la señal de entrada se procesa de forma arbitraria.
El campo de luz se comporta de la manera más simple, donde las interferencias entre sí no se influyen mutuamente. Por lo tanto, con este nuevo enfoque, es posible evitar interacciones físicas complejas para realizar las funciones matemáticas necesarias.
En palabras de Clara Wanjura , primera autora del estudio, “Al mismo tiempo, esto permite medir toda la información relevante para la formación”.
Además, según otra investigación, los nuevos chips de computadora pueden aumentar la eficiencia energética de la IA.
Conclusión
Con diversas demostraciones, los investigadores planean colaborar con diferentes grupos experimentales para explorar la implementación de su método en distintas condiciones. El enfoque que plantea que las redes neuronales pueden hacer que el aprendizaje automático sea más sostenible, de tener éxito, permitiría que este sistema para dispositivos neuromórficos se utilice para entrenar físicamente una amplia gama de plataformas.
Fuente : Computación neuromórfica totalmente no lineal con dispersión de ondas lineales
