Placa metálica pensante: los investigadores demuestran la existencia de redes neuronales físicas

| |

¿Una membrana de micrófono como unidad informática? En busca de hardware de IA eficiente, los investigadores están recurriendo a redes neuronales físicas integradas en objetos reales.

El éxito de la inteligencia artificial durante la última década ha sido impulsado por la adopción generalizada de redes neuronales artificiales. Esto fue posible al darse cuenta de que el algoritmo de retropropagación se puede usar de manera eficiente en tarjetas gráficas para entrenar redes neuronales, por ejemplo, para el análisis de imágenes. Desde el momento de ImageNet en 2012, las redes cada vez más grandes se han entrenado en hardware cada vez más potente.

El hambre de energía de estas enormes redes durante el entrenamiento y el uso ha llevado al desarrollo de aceleradores de IA especializados, como TPUv3 de Google o WSE2 de Cerebra. La mayoría de estas alternativas de chips están destinadas principalmente a un uso más eficiente, ya que esto representa hasta el 90 por ciento de los costos de energía de una red de IA en aplicaciones comerciales. La mayoría de estos procesadores especiales de IA siguen basándose en chips de silicio, en algunos casos se utilizan chips ópticos.

Hola, Echo: Los cañones calculan pasivamente

En busca de alternativas aún más eficientes, los investigadores dirigidos por el físico Logan Wright recurren a las llamadas redes neuronales físicas (PNN): «Todo puede ser una computadora», dice Wright. «Solo tenemos que encontrar una manera de hacer que el hardware haga lo que queremos».

Vinculado a esto hay una nueva idea de lo que significa que algo “calcule”: según Wright y su equipo, los objetos físicos podrían calcular de forma pasiva. Los cañones, por ejemplo, agregaron eco a las voces sin necesidad de cajas de resonancia.

Publicación Destacada

Este procesamiento de una señal por parte de un objeto físico estático que no requiere ninguna energía añadida externamente o, en el sentido clásico, ejecutar un algoritmo, es un modelo para el equipo de Wright.

El objetivo son las redes neuronales que están físicamente integradas en un objeto, en lugar de ejecutarse tradicionalmente en chips de silicio.

Entrenamiento consciente de la física para redes neuronales físicas

En su nuevo trabajo, los investigadores realizaron redes neuronales en tres sistemas físicos diferentes: mecánico, óptico y analógico-electrónico. El sistema mecánico consiste en una placa de metal que se hace vibrar con un altavoz. La señal de salida es grabada por un micrófono.

El sistema óptico dirige la luz láser a través de varios cristales y, en el sistema electrónico analógico, la corriente fluye a través de pequeños circuitos.

Dado que los sistemas físicos no se pueden cambiar, el algoritmo entrena parámetros adicionales, que alimenta al sistema físico con los datos de entrada. | Imagen: Wright et al.

Publicación Destacada

Los investigadores codificaron los datos de entrada para las redes respectivas en sonido, luz o voltaje. Cada sistema recibe parámetros codificados adicionales destinados a ayudar a la red física a procesar correctamente los datos de entrada.

Estos parámetros se ajustan durante el curso del entrenamiento a través del algoritmo de retropropagación hasta que el algoritmo encuentra la combinación correcta de parámetros y señal de entrada. Este enfoque se denomina «entrenamiento consciente de la física» (PAT).

Las redes neuronales físicas logran una alta precisión con PAT

En las pruebas, las redes físicas luego debían reconocer números escritos a mano o uno de siete tonos. En promedio, las redes lograron una precisión de entre 87 y 97 por ciento.

Publicación Destacada

Los PNN logran altas precisiones en las pruebas simples. | Imagen: Wright et al.

Según los investigadores, los resultados muestran que los sistemas físicos controlables pueden entrenarse para realizar cálculos de IA y son potencialmente varios órdenes de magnitud más rápidos y más eficientes energéticamente que las soluciones de silicio.

A continuación, Wright y su equipo quieren diseñar sistemas en los que ajusten los objetos físicos durante el entrenamiento y ya no tengan que depender de parámetros adicionales para complementar la entrada.

El físico ve un gran potencial para las redes físicas como sensores inteligentes: la óptica de un microscopio podría, por ejemplo, detectar células cancerosas incluso antes de que la luz se procese digitalmente. O la membrana del micrófono de un teléfono inteligente podría reaccionar a una palabra de advertencia.

Entonces probablemente pensará menos en el hecho de que estos son cálculos de IA, según Wright. Las redes neuronales físicas son entonces simplemente «máquinas funcionales».

Lina
Lina García ha escrito sobre tecnología y marketing, cubriendo todo, desde la analítica hasta la realidad virtual, desde 2010. Antes de eso, obtuvo un doctorado en inglés, enseñó a escribir a nivel universitario y lanzó y publicó una revista en formato impreso y digital. Ahora es escritora, editora y consultora de marketing a tiempo completo.