¿Puede la computadora óptica analógica de Microsoft ser la respuesta a tareas de AI y optimización más eficientes en energía?

La escala constante de las aplicaciones de IA y otras tecnologías digitales en todas las industrias está comenzando a gravar la red de energía debido a su consumo intensivo de energía. Las demandas de energía y latencia de la informática digital probablemente continuarán aumentando, desafiando su sostenibilidad.

Como era de esperar, la dependencia de estas tecnologías en nuestro mundo moderno hace que los investigadores se esfuerzan por producir formas más eficientes de la energía para avanzar, y Microsoft podría adelantarse al juego. Los investigadores de Microsoft, junto con un equipo de la Universidad de Cambridge, han desarrollado una nueva computadora óptica analógica (AOC) que tiene el potencial de dar IA, así como la optimización combinatoria, un impulso muy necesario en la eficiencia.

El prototipo AOC se describe en un estudio reciente por el grupo que fue publicado en Naturaleza. El grupo combinó electrónica analógica y matrices microledes, moduladores de luz espacial y matrices de fotodetores para acelerar tanto la inferencia de IA como la optimización combinatoria en una sola plataforma.

El AOC evita las conversiones digitales, que desperdician energía y limitan el rendimiento, y mejora la robustez de ruido utilizando una búsqueda rápida de puntos fijos. Huba el potencial de tener hasta 100 veces la eficiencia energética de las GPU líder y su nueva capacidad de mejorar tanto la IA como la eficiencia de la tarea de optimización, lo convierten en una solución prometedora para muchas industrias.

Para probar la aplicabilidad del AOC, el equipo creó un «gemelo digital», una versión de software del hardware, que permite capacitación en modelos y simulación a gran escala. Se realizó una serie de estudios de casos, incluida la clasificación de imágenes, la regresión no lineal, la reconstrucción de imágenes de resonancia magnética y el acuerdo de transacciones financieras.

Los resultados fueron impresionantes: el estudio de caso de MRI mostró que el gemelo digital era capaz de reconstruir imágenes con buena precisión y tenía la capacidad de reducir el tiempo de imagen de 30 minutos a solo cinco. El estudio de caso de liquidación de transacciones también mostró una precisión impresionante para resolver un caso de prueba de optimización compleja. En general, hubo más de una correspondencia del 99% entre el gemelo digital y el hardware para tareas de inferencia.

«Cross-validation with the digital twin, coupled with evaluation on large problems, offers confidence in the hardware’s performance as it scales. Looking ahead, the AOC’s co-design approach—aligning the hardware with the ML and optimization algorithms—could spur a flywheel of future innovations in hardware and algorithms, pivotal for a sustainable future of computing,» the study authors say.

A pesar de una necesidad urgente de la tecnología, la aplicación del mundo real del AOC podría estar al mismo tiempo, ya que aún necesita un ajuste fino. Su hardware actual sigue siendo a pequeña escala, con 256 pesos (o parámetros) para la inferencia en el modelo que construyeron y actualmente son posibles 4.096 pesos, con 64 variables para la optimización, pero los investigadores señalan que abordar aplicaciones prácticas con el AOC requerirán escalabilidad de hardware a cientos de millones o miles de millones de peso.

Dicen que esto se puede lograr técnicamente ya que los componentes se están volviendo cada vez más pequeños y se pueden agregar más micro-LED al hardware.

© 2025 Science X Network