Los nanoimanes pueden discernir el vino y podrían saciar la sed de energía de la IA

El cerebro humano procesa mucha información. Cuando los aficionados al vino prueban un vino nuevo, las redes neuronales en sus cerebros procesan una serie de datos de cada sorbo. Las sinapsis en sus neuronas se disparan, sopesando la importancia de cada dato (acidez, frutosidad, amargor) antes de pasarlo a la siguiente capa de neuronas en la red. A medida que fluye la información, el cerebro analiza el tipo de vino.

Los científicos quieren que los sistemas de inteligencia artificial (IA) también sean conocedores de datos sofisticados, por lo que diseñan versiones informáticas de redes neuronales para procesar y analizar información. La IA se está poniendo al día con el cerebro humano en muchas tareas, pero por lo general consume mucha más energía para hacer las mismas cosas. Nuestros cerebros hacen estos cálculos mientras consumen un promedio estimado de 20 vatios de potencia. Un sistema de IA puede usar miles de veces eso. Este hardware también puede retrasarse, lo que hace que la IA sea más lenta, menos eficiente y menos efectiva que nuestro cerebro. Un gran campo de la investigación de la IA está buscando alternativas que consuman menos energía.

Ahora, en un estudio publicado en la revista Revisión Física Aplicadalos científicos del Instituto Nacional de Estándares y Tecnología (NIST) y sus colaboradores han desarrollado un nuevo tipo de hardware para IA que podría usar menos energía y operar más rápido, y ya pasó una prueba de cata de vino virtual.

Al igual que con los sistemas informáticos tradicionales, la IA comprende tanto circuitos físicos de hardware como software. El hardware del sistema de IA a menudo contiene una gran cantidad de chips de silicio convencionales que consumen mucha energía como grupo: entrenar un procesador de lenguaje natural comercial de última generación, por ejemplo, consume aproximadamente 190 megavatios hora (MWh) de energía eléctrica, aproximadamente la cantidad que usan 16 personas en los EE. UU. en todo un año. Y eso es antes de que la IA haga un día de trabajo en el trabajo para el que fue entrenada.

Un enfoque menos intensivo en energía sería usar otros tipos de hardware para crear redes neuronales de IA, y los equipos de investigación están buscando alternativas. Un dispositivo que se muestra prometedor es una unión de túnel magnético (MTJ), que es bueno en los tipos de matemáticas que usa una red neuronal, y solo necesita unos pocos sorbos de energía. Se ha demostrado que otros dispositivos novedosos basados ​​en MTJ utilizan varias veces menos energía que sus contrapartes de hardware tradicionales. Los MTJ también pueden operar más rápido porque almacenan datos en el mismo lugar donde realizan sus cálculos, a diferencia de los chips convencionales que almacenan datos en otros lugares. Quizás lo mejor de todo es que los MTJ ya son importantes comercialmente. Han servido como cabezas de lectura y escritura de las unidades de disco duro durante años y hoy en día se utilizan como nuevas memorias informáticas.

Aunque los investigadores confían en la eficiencia energética de los MTJ en función de su rendimiento anterior en discos duros y otros dispositivos, el consumo de energía no fue el objetivo del presente estudio. En primer lugar, necesitaban saber si una matriz de MTJ podría incluso funcionar como una red neuronal. Para averiguarlo, lo llevaron a una cata de vinos 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 simple a partir de MTJ proporcionados por sus colaboradores en el Centro de Investigación de Western Digital en San José, California.

Al igual que cualquier conocedor de vinos, el sistema de inteligencia artificial necesitaba entrenar su paladar virtual. El equipo entrenó a la red utilizando 148 de los vinos de un conjunto de datos de 178 elaborados con tres tipos de uvas. Cada vino virtual tenía 13 características a considerar, como grado de alcohol, color, flavonoides, ceniza, alcalinidad y magnesio. A cada característica se le asignó un valor entre 0 y 1 para que la red lo tenga en cuenta a la hora de distinguir un vino de los demás.

«Es una cata de vino virtual, pero la cata se realiza con un equipo analítico que es más eficiente pero menos divertido que catarlo uno mismo», dijo el físico del NIST, Brian Hoskins.

Luego se le realizó una prueba de cata de vinos virtual en el conjunto de datos completo, que incluía 30 vinos que no había visto antes. El sistema pasó con una tasa de éxito del 95,3%. De los 30 vinos con los que no se había entrenado, solo cometió dos errores. Los investigadores consideraron esto como una buena señal.

«Obtener el 95,3% nos dice que esto está funcionando», dijo el físico del NIST Jabez McClelland.

El punto no es construir un sommelier de IA. Más bien, este éxito temprano muestra que una variedad de dispositivos MTJ podría potencialmente ampliarse y usarse para construir nuevos sistemas de IA. Si bien la cantidad de energía que usa un sistema de IA depende de sus componentes, el uso de 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 ropa «inteligente», drones en miniatura o sensores. que procesan datos en la fuente.

«Es probable que se obtengan importantes ahorros de energía en comparación con los enfoques convencionales basados ​​en software mediante la implementación de grandes redes neuronales que utilizan este tipo de matriz», dijo McClelland.