Inteligencia artificial más sostenible
Una inteligencia artificial de gran eficiencia energética está ahora más cerca de la realidad, después de que un estudio realizado por investigadores de la UCL encontrara una forma de mejorar la precisión de un sistema informático inspirado en el cerebro.
El sistema, que utiliza memristores para crear redes neuronales artificiales, es al menos 1.000 veces más eficiente energéticamente que el hardware de inteligencia artificial convencional basado en transistores, pero hasta ahora había sido más propenso a errores.
La inteligencia artificial actual es extremadamente exigente en cuanto a energía: entrenar un modelo de inteligencia artificial puede generar 284 toneladas de dióxido de carbono, equivalente a las emisiones de toda la vida de cinco coches. Sustituir los transistores que componen todos los dispositivos digitales por memristores, un novedoso dispositivo electrónico construido por primera vez en 2008, podría reducir esto a una fracción de una tonelada de dióxido de carbono, equivalente a las emisiones generadas en un viaje por la tarde.
Dado que los memristores son mucho más eficientes desde el punto de vista energético que los sistemas de computación existentes, podrían llegar a empaquetar enormes cantidades de potencia de computación en dispositivos portátiles, eliminando la necesidad de estar conectados a la Internet.
Esto es especialmente importante, ya que se prevé que la excesiva dependencia de Internet se convierta en un problema en el futuro, debido a la creciente demanda de datos y a las dificultades de aumentar la capacidad de transmisión de estos a partir de cierto punto.
En el nuevo estudio, publicado en la revista Nature Communications, unos ingenieros de la UCL descubrieron que la precisión podría mejorarse en gran medida haciendo que los memristores trabajasen juntos en varios subgrupos de redes neuronales y promediando sus cálculos, lo que significa que los fallos en cada una de las redes podrían ser anulados.
Los «memristores», descritos como «resistencias con memoria», ya que recuerdan la cantidad de carga eléctrica que fluía a través de ellos incluso después de haber sido apagados, se consideraron revolucionarios cuando se construyeron por primera vez hace más de una década, un «eslabón perdido» en la electrónica para complementar la resistencia, el condensador y el inductor. Desde entonces se han fabricado comercialmente en dispositivos de memoria, pero el equipo de investigación dice que podrían utilizarse para desarrollar sistemas de inteligencia artificial en el plazo corto, los próximos tres años.
Los memristores ofrecen una eficiencia muy mejorada porque funcionan no solo en un código binario de unos y ceros, sino también en múltiples niveles entre el cero y el uno al mismo tiempo, lo que significa que se puede empaquetar más información en cada bit.
Además, los memristores suelen describirse como una forma de computación neuromórfica (inspirada en el cerebro) porque, al igual que en el cerebro, el procesamiento y la memoria se implementan en los mismos bloques de construcción adaptables, en contraste con los sistemas informáticos actuales que desperdician mucha energía en el movimiento de datos.
En el estudio, el Dr. Adnan Mehonic, el estudiante de doctorado Dovydas Joksas (ambos de la UCL de Ingeniería Electrónica y Eléctrica), y sus colegas del Reino Unido y los EE.UU. probaron el nuevo enfoque en varios tipos diferentes de memristores y encontraron que mejoraba la precisión de todos ellos, independientemente del material o la tecnología particular de los memristores. También funcionó para una serie de problemas diferentes que pueden afectar a la precisión de los memristores.
Los investigadores descubrieron que su método aumentaba la precisión de las redes neuronales para las tareas típicas de la inteligencia artificial a un nivel comparable al de las herramientas de software que se ejecutan en el hardware digital convencional.
El Dr. Mehonic, director del estudio, dijo: «Esperábamos que hubiera más enfoques genéricos que mejoraran no el nivel de dispositivo, sino el comportamiento a nivel de sistema, y creemos que hemos encontrado uno. Nuestro método muestra que, cuando se trata de memristores, varias cabezas son mejores que una. La disposición de la red neuronal en varias redes más pequeñas en lugar de una gran red condujo a una mayor precisión en general». (Fuente: NCYT Amazings)
