El investigador del Centrum Wiskunde & Informatica y profesor de neurobiología cognitiva de la Universidad de Amsterdam Sander Bohte ayudó a desarrollar un algoritmo que, según él, «hace que la inteligencia artificial basada en redes neuronales sea más de 1.000 veces más eficiente en términos de energía».
Crédito: Sander Bohte
El cerebro humano procesa la información de una manera increíblemente eficiente en cuanto a energía. Su consumo de energía es sólo de unos diminutos 20 vatios. Los ordenadores que imitan las redes neuronales del cerebro a través del aprendizaje profundo han dado lugar a aplicaciones maravillosas en los últimos años, pero consumen mucha más energía que el cerebro humano.
Gracias a un avance algorítmico en el entrenamiento de redes neuronales de picos… (SNN), muchas aplicaciones de la inteligencia artificial, como el reconocimiento del habla, el reconocimiento de gestos y la clasificación de electrocardiogramas (ECG) pueden hacerse más eficientes energéticamente por un factor de 100 a 1.000. Esto permitirá poner mucha más inteligencia artificial (IA) en los chips, permitiendo que las aplicaciones se ejecuten en un reloj inteligente o en un teléfono inteligente, por ejemplo, lo que hasta ahora se hacía en la nube.
Además, al ejecutar la IA en un dispositivo local, las aplicaciones se vuelven más robustas y respetuosas de la privacidad. Más robustas, porque ya no hay necesidad de una conexión de red a la nube; y más respetuosas de la privacidad, porque los datos pueden seguir siendo locales.
El avance fue logrado por un equipo de investigación del Centrum Wiskunde & Informatica (CWI), el centro nacional holandés de investigación en matemáticas e informática, junto con el imec/Centro de Investigación de Holst en Eindhoven, también en los Países Bajos. Fue publicado este julio en un artículo revisado en el Conferencia Internacional sobre Sistemas Neuromórficos. El algoritmo está disponible como código abierto en GitHub.
Al frente del equipo de investigación está el investigador del CWI y profesor de neurobiología cognitiva de la Universidad de Ámsterdam (UvA) Sander Bohté, quien discutió la investigación y sus aplicaciones.
¿Cuál es la base de este avance?
Desarrollamos un nuevo algoritmo para la llamada red neuronal de picos. Estas redes existen desde hace mucho tiempo, pero hasta ahora tenían la gran desventaja de que eran muy difíciles de entrenar. Por lo tanto, no podían ser aplicadas en la práctica.
Nuestro nuevo algoritmo contiene dos avances, uno para entrenar la red neuronal de picos y otro para adaptar las propias neuronas de picos a la tarea. Como resultado, las neuronas de la red necesitan comunicarse entre sí mucho menos, y cada neurona también necesita calcular menos. En conjunto, esto hace que la inteligencia artificial basada en la red neuronal sea más de 1.000 veces más eficiente en términos de energía en comparación con las redes neuronales antiguas, y un factor de 100 veces más eficiente en términos de energía que las mejores redes neuronales contemporáneas.
¿Cuál es la diferencia entre tu red neuronal de picos y una red neuronal clásica?
En las redes neuronales clásicas, las señales son continuas y matemáticamente fáciles de manejar. Las redes neuronales trabajan con pulsos, y se asemejan más a la biología del cerebro. En teoría, eso los hace mucho más eficientes energéticamente. Sin embargo, debido a que las señales son discontinuas, eso las hace matemáticamente mucho más difíciles de manejar. Para las redes neuronales clásicas, existen chips especiales que pueden hacerlas funcionar. Para las redes neuronales, no ha habido hasta ahora ningún chip comercial a gran escala que pueda hacerlas funcionar, sólo algunos chips experimentales.
¿En qué hardware van a funcionar sus redes neuronales de picos?
El tipo de chip que necesitas es el llamado chip neuromórfico. En 2017, IBM construyó el chip neuromórfico TrueNorth. Funcionó para un par de cosas, pero era muy grande. Qualcomm prometió un chip similar, el procesador Zeroth, pero nunca avanzó más allá de las demostraciones de juguetes. Después de la publicación de nuestro artículo, recibimos muchas reacciones positivas, tanto de los fabricantes de chips como del mundo académico. Todo tipo de empresas ya tienen o están trabajando duro en los prototipos de chips, entre ellas nuestro socio de proyecto imec/Holst Centre.
¿Qué tan grandes son sus redes neuronales de picos, y qué tan fácilmente pueden ser ampliadas?
Nuestros SNNs pueden actualmente manejar alrededor de 1.000 neuronas. Esto es significativamente menos de lo que las redes neuronales tradicionales pueden manejar en este momento, pero suficiente para una amplia gama de aplicaciones. El próximo reto es ampliar nuestras redes a 100.000 o un millón de neuronas. Eso expandirá las posibilidades de aplicación aún más.
¿Qué tipos de aplicaciones prevé?
La primera aplicación que tomamos como inspiración fue la clasificación de las ondas en los electrocardiogramas (ECG). Con la IA de eficiencia energética, esto puede hacerse en un dispositivo como un reloj inteligente durante largos períodos de tiempo, en lugar de recoger y enviar datos a la nube para su análisis. Eso significa que los ritmos cardíacos pueden ser fácilmente monitoreados diariamente en casa.
El reconocimiento de voz y el reconocimiento de gestos en los teléfonos inteligentes son otras aplicaciones concretas que ya son posibles sin los SNN actuales, y puedo ver muchas aplicaciones en, por ejemplo, el mantenimiento predictivo. Imagina un pequeño chip de IA que monitoriza la corriente que pasa por algún dispositivo; cuando el dispositivo empieza a funcionar mal, la corriente empieza a cambiar y el chip de IA puede dar una advertencia.
En general, nuestro avance se ve facilitado por una tendencia llamada Edge AI: haciendo cálculos de IA en pequeños dispositivos locales.
Bennie Mols es un escritor de ciencia y tecnología con sede en Amsterdam, Holanda.
No se han encontrado entradas
