Eyeriss, el chip diseñado para implementar redes neuronales

Las redes neuronales fueron uno de los principales objetos de investigación durante los primeros años de la ciencia de la Inteligencia Artificial. Sin embargo este ámbito fue dejado en el olvido durante la década de 1970, para resurgir en la actualidad con algunos de los avances que marcarán la hoja de ruta de la IA en los próximos tiempos. Bajo el nombre de ‘aprendizaje profundo’, estas redes neuronales convolucionales son grandes redes virtuales de unidades de procesamiento de información simple, que se modelan libremente en la anatomía del cerebro humano. Éstas son implementadas usando unidades de procesamiento gráfico (GPU). Una GPU móvil, similar a la de un Smartphone podría tener casi 200 unidades de procesamiento, por lo que sería ideal para la simulación de una red de procesadores distribuidos.

En este contexto, los investigadores del MIT han presentado el nuevo chip llamado ‘Eyeriss’, diseñado específicamente para implementar redes neuronales. Es diez veces más eficiente que una GPU móvil, por lo que permitiría a estos dispositivos ejecutar potentes algoritmos de IA a nivel local, en lugar de cargar los datos en Internet para su procesamiento.

“El aprendizaje profundo es útil para muchas aplicaciones, tales como el reconocimiento de objetos, el habla o la detección de rostros”, aseguró Vivienne Sze profesor asistente en el departamento de ingeniería eléctrica e informático cuyo grupo desarrolló el nuevo chip del MIT. “En este momento las redes son bastante complejas y en su mayoría se ejecutan en las GPU de alta potencia. Si llevamos esa funcionalidad a un Smartphone reaccionaría mucho más rápido en ciertas aplicaciones. Incluso podría funcionar sin Wifi”.

Además, ‘Eyeriss’ podría ayudar a la evolución de IoT. La idea es que vehículos, electrodomésticos, estructuras de ingeniería civil y multitud de dispositivos más tengan sensores que proporcionen información directamente a servidores en red, ayudando con el mantenimiento y la coordinación de tareas. Con potentes algoritmos de IA a bordo, los dispositivos en red podrían tomar decisiones importantes a nivel local. Y, por supuesto, a bordo de las redes neuronales sería útil para robots autónomos que funcionan con baterías.

Actuar localmente

La clave de la eficiencia de ‘Eyeriss’ es reducir al mínimo la frecuencia con la que los núcleos tienen que intercambiar datos con bancos de memoria distantes, una operación que consume gran cantidad de energía y tiempo. Mientras que muchos de los núcleos de una GPU comparten un banco de memoria de gran tamaño, cada núcleo de ‘Eyeriss’ tiene su propia memoria.

Por otra parte, el chip tiene un circuito que comprime los datos antes de enviarlos a los núcleos individuales. Cada núcleo es capaz de comunicarse directamente con sus vecinos inmediatos, por lo que si necesitan compartir datos, no tienen por qué pasarlos a través de la memoria principal. Por tanto, la clave final para la eficiencia del chip son los circuitos de propósito que asignan tareas a través de núcleos. Además, el circuito de asignación puede ser reconfigurado para diferentes tipos de redes, distribución automática de ambos tipos de datos a través de los núcleos de tal manera, que se maximice la cantidad de trabajo que cada uno de ellos puede hacer antes de ir a buscar más datos a la memoria principal.

Durante la presentación del chip, los investigadores del MIT usaron ‘Eyeriss’ para implementar una red neuronal que realiza una tarea de reconocimiento de imágenes. “Este trabajo es muy importante. Muestra como los procesadores embebidos para el aprendizaje profundo pueden proporcionar optimizaciones de potencia y rendimiento que traerán estos cálculos complejos desde la nube para dispositivos móviles”, afirmó Mike Polley, vicepresidente senior de innovaciones de Mobile Lab de Samsung.