MADRID, 14 Jun. (EUROPA PRESS) -
Nuevos procesadores nanofotónicos programabales para cálculos complejos, que usan luz en lugar de electricidad, van a mejorar la velocidad y eficiencia de sistemas de 'deep learning'.
Los sistemas informáticos de 'aprendizaje profundo', basados en redes neuronales artificiales que imitan la forma en que el cerebro aprende de una acumulación de ejemplos, se han convertido en un tema candente en informática.
Además de permitir tecnologías tales como software de reconocimiento de voz y de cara, estos sistemas podrían recorrer vastas cantidades de datos médicos, para encontrar patrones que pudieran ser útiles diagnósticamente, o escanear fórmulas químicas para posibles nuevos fármacos.
Pero los cálculos que estos sistemas deben llevar a cabo son muy complejos y exigentes, incluso para las computadoras más potentes.
Ahora, un equipo de investigadores en el MIT (Massachusetts Institute of Technology) y otros centros de investigación ha desarrollado un nuevo enfoque para tales cálculos, utilizando la luz en lugar de la electricidad, que dicen podría mejorar enormemente la velocidad y la eficiencia de ciertos cálculos de aprendizaje profundo.
Sus resultados aparecen en la revista Nature Photonics.
El profesor del MIT Marin Soljacic, couator del estudio, explica que muchos investigadores a lo largo de los años han hecho afirmaciones acerca de las computadoras basadas en óptica, pero resultaron exageradas. Aunque muchos usos propuestos de tales computadoras fotónicas no resultaron prácticos, un sistema de red neural basado en luz desarrollado por este equipo "puede ser aplicable para el aprendizaje profundo de algunas aplicaciones", dice.
Las arquitecturas de ordenadores tradicionales no son muy eficientes cuando se trata de los tipos de cálculos necesarios para ciertas tareas importantes de redes neuronales. Tales tareas típicamente implican multiplicaciones repetidas de matrices, que pueden ser muy computacionalmente intensivas en chips convencionales de CPU o GPU.
Después de años de investigación, el equipo del MIT ha encontrado una forma de realizar estas operaciones ópticamente en su lugar. "Este chip, una vez que lo sintonice, puede llevar a cabo la multiplicación matricial con, en principio, energía cero, casi al instante", dice en un comunicado Soljacic. "Hemos demostrado los bloques de construcción cruciales, pero aún no el sistema completo".
Por analogía, Soljacic señala que incluso una lente de gafas ordinaria lleva a cabo un cálculo complejo (la llamada transformada de Fourier) sobre las ondas luminosas que pasan a través de ella. La forma en que los haces de luz realizan cálculos en los nuevos chips fotónicos es mucho más general pero tiene un principio subyacente similar.
El nuevo enfoque utiliza múltiples haces de luz dirigidos de tal manera que sus ondas interactúan entre sí, produciendo patrones de interferencia que transmiten el resultado de la operación prevista. El dispositivo resultante es algo que los investigadores llaman un procesador nanofotónico programable.
El resultado, dice Shen, es que los chips ópticos que usan esta arquitectura podrían, en principio, realizar cálculos realizados en algoritmos de inteligencia artificial típicos mucho más rápido y usar menos de una milésima de energía por operación que los chips electrónicos convencionales.
"La ventaja natural de usar la luz para hacer la multiplicación matricial juega un papel importante en la aceleración y el ahorro de energía, debido a que las multiplicaciones de matrices densas son la parte que más energía y tiempo consume en los algoritmos AI", dice.
El nuevo procesador nanofotónico programable utiliza una matriz de guías de onda que están interconectados de una manera que se puede modificar según sea necesario, programando ese conjunto de guías para un cálculo específico. "Se puede programar en cualquier operación matricial", dice Harris. El procesador guía la luz a través de una serie de guías de ondas fotónicas acopladas. La propuesta completa del equipo requiere capas intercaladas de dispositivos que apliquen una operación llamada función de activación no lineal, en analogía con la operación de las neuronas en el cerebro.
Para demostrar el concepto, el equipo estableció el procesador nanofotónico programable para implementar una red neuronal que reconoce cuatro sonidos básicos de vocales. Incluso con este sistema rudimentario, fueron capaces de alcanzar un nivel de precisión del 77 por ciento, en comparación con aproximadamente el 90 por ciento para los sistemas convencionales. No hay "obstáculos sustanciales" a la ampliación del sistema para una mayor precisión, dice Soljacic.
