Saltar al contenido

Aprovechar el ruido en la computación óptica para la IA — ScienceDaily

23 de enero de 2022

La inteligencia artificial y el aprendizaje automático actualmente están afectando nuestras vidas de muchas maneras pequeñas pero impactantes. Por ejemplo, las aplicaciones de inteligencia artificial y aprendizaje automático recomiendan entretenimiento que podríamos disfrutar a través de servicios de transmisión como Netflix y Spotify.

En un futuro próximo, se prevé que estas tecnologías tendrán un impacto aún mayor en la sociedad a través de actividades como la conducción de vehículos totalmente autónomos, lo que permitirá investigaciones científicas complejas y facilitará los descubrimientos médicos.

Pero las computadoras utilizadas para la IA y el aprendizaje automático exigen mucha energía. Actualmente, la necesidad de poder de cómputo relacionado con estas tecnologías se duplica aproximadamente cada tres o cuatro meses. Y los centros de datos de computación en la nube utilizados por la IA y las aplicaciones de aprendizaje automático en todo el mundo ya están consumiendo más energía eléctrica por año que algunos países pequeños. Es fácil ver que este nivel de consumo de energía es insostenible.

Un equipo de investigación dirigido por la Universidad de Washington ha desarrollado un nuevo hardware informático óptico para IA y aprendizaje automático que es más rápido y mucho más eficiente energéticamente que la electrónica convencional. La investigación también aborda otro desafío: el ‘ruido’ inherente a la computación óptica que puede interferir con la precisión de la computación.


Recomendado: ¿Qué es el Big data?.


En un nuevo artículo, publicado el 21 de enero en Avances de la ciencia, el equipo demuestra un sistema de computación óptica para inteligencia artificial y aprendizaje automático que no solo mitiga este ruido, sino que en realidad usa parte de él como entrada para ayudar a mejorar la salida creativa de la red neuronal artificial dentro del sistema.

«Hemos construido una computadora óptica que es más rápida que una computadora digital convencional», dijo el autor principal Changming Wu, estudiante de doctorado en ingeniería eléctrica e informática de la UW. «Y también, esta computadora óptica puede crear cosas nuevas basadas en entradas aleatorias generadas a partir del ruido óptico que la mayoría de los investigadores intentaron evadir».

El ruido de la computación óptica proviene esencialmente de partículas de luz dispersas, o fotones, que se originan por el funcionamiento de los láseres dentro del dispositivo y la radiación térmica de fondo. Para apuntar al ruido, los investigadores conectaron su núcleo de computación óptica a un tipo especial de red de aprendizaje automático, llamada Red adversa generativa.

El equipo probó varias técnicas de mitigación de ruido, que incluyeron el uso de parte del ruido generado por el núcleo de computación óptica para servir como entradas aleatorias para la GAN.

Por ejemplo, el equipo asignó al GAN ​​la tarea de aprender a escribir a mano el número «7» como lo haría una persona. La computadora óptica no podía simplemente imprimir el número de acuerdo con una fuente prescrita. Tuvo que aprender la tarea como lo haría un niño, mirando muestras visuales de escritura a mano y practicando hasta que pudiera escribir el número correctamente. Por supuesto, la computadora óptica no tenía una mano humana para escribir, por lo que su forma de «escritura manual» era generar imágenes digitales que tenían un estilo similar a las muestras que había estudiado, pero que no eran idénticas a ellas.

«En lugar de entrenar la red para leer números escritos a mano, entrenamos la red para aprender a escribir números, imitando muestras visuales de escritura a mano en las que fue entrenada», dijo el autor principal Mo Li, profesor de ingeniería eléctrica e informática de la UW. «Nosotros, con la ayuda de nuestros colaboradores informáticos de la Universidad de Duke, también demostramos que la GAN puede mitigar el impacto negativo de los ruidos del hardware informático óptico mediante el uso de un algoritmo de entrenamiento resistente a errores y ruidos. Más que eso, la red en realidad usa los ruidos como entrada aleatoria que se necesita para generar instancias de salida».

Después de aprender de muestras escritas a mano del número siete, que eran de un conjunto de imágenes estándar de entrenamiento de IA, la GAN practicó escribir «7» hasta que pudo hacerlo con éxito. En el camino, desarrolló su propio estilo de escritura distintivo y podía escribir números del uno al 10 en simulaciones por computadora.

Los próximos pasos incluyen la construcción de este dispositivo a mayor escala utilizando la tecnología actual de fabricación de semiconductores. Entonces, en lugar de construir la próxima versión del dispositivo en un laboratorio, el equipo planea usar una fundición industrial de semiconductores para lograr una tecnología a escala de obleas. Un dispositivo a mayor escala mejorará aún más el rendimiento y permitirá que el equipo de investigación realice tareas más complejas más allá de la generación de escritura a mano, como la creación de obras de arte e incluso videos.

«Este sistema óptico representa una arquitectura de hardware informático que puede mejorar la creatividad de las redes neuronales artificiales utilizadas en la IA y el aprendizaje automático, pero lo que es más importante, demuestra la viabilidad de este sistema a gran escala donde el ruido y los errores pueden mitigarse e incluso aprovecharse. «, dijo Li. «Las aplicaciones de IA están creciendo tan rápido que, en el futuro, su consumo de energía será insostenible. Esta tecnología tiene el potencial de ayudar a reducir ese consumo de energía, haciendo que la IA y el aprendizaje automático sean ambientalmente sostenibles y muy rápidos, logrando un mayor rendimiento en general».

Otros coautores son Ruoming Peng, estudiante de doctorado en ingeniería eléctrica e informática de la UW; Xiaoxuan Yang, estudiante de doctorado en la Universidad de Duke; Heshan Yu, investigador asociado de la Universidad de Maryland, College Park; Ichiro Takeuchi, profesor de la Universidad de Maryland, College Park; y Yiran Chen, profesor de la Universidad de Duke. Esta investigación fue financiada por la Oficina de Investigación Naval, la Fundación Nacional de Ciencias y la Oficina de Investigación del Ejército. Parte de este trabajo se llevó a cabo en la Instalación de Nanofabricación de Washington en la Universidad de Washington.