El 'deep learning', un tema candente en la informática
Las redes neuronales podrían implementarse más rápidamente usando nueva tecnología fotónica.
El sistema puede recorrer grandes cantidades de datos médicos para encontrar patrones que podrían ser útiles para el diagnóstico, o escanear las fórmulas químicas para posibles nuevos productos farmacéuticos.
Sin embargo, los cálculos que estos sistemas deben llevar a cabo son muy complejas y exigentes, incluso para los ordenadores más potentes. Ahora, un equipo de investigadores del MIT ha desarrollado un nuevo enfoque para tales cálculos, usando luz en lugar de electricidad, que dicen mucho podría mejorar la velocidad y eficiencia de ciertos cálculos aprendizaje profundo.
Si bien muchos usos propuestos de estos equipos fotónicos resultaron no ser prácticos, una base de luz sistema de red neuronal puede ser aplicable para el aprendizaje profundo para algunas aplicaciones.
Después de años de investigación, el equipo del MIT ha llegado con una forma de realización de estas operaciones ópticamente lugar. “Este chip, una vez que afinarlo, se puede llevar a cabo con la multiplicación de matrices, en principio, la energía cero, casi al instante,” aseguraba el equipo. “Hemos demostrado los bloques de construcción cruciales, pero no sin embargo el sistema completo.”
Los chips ópticos que utilizan esta arquitectura podrían, en principio, llevar a cabo los cálculos realizados en los algoritmos típicos de inteligencia artificial mucho más rápido y con menos de una milésima de energía por el funcionamiento como chips electrónicos convencionales. “La ventaja de utilizar la luz natural de hacer la multiplicación de matrices juega un papel importante en la aceleración y ahorro de energía, debido a densas multiplicaciones de matrices son la parte más hambriento de poder y consume mucho tiempo en los algoritmos de IA”, aseveró el equipo.
El nuevo procesador nanofotónicos programable, utiliza una matriz de guías de onda que están interconectados de una manera que puede ser modificado según sea necesario.
Para demostrar el concepto, el equipo estableció el procesador nanofotónico programable para implementar una red neuronal que reconoce cuatro sonidos de vocal básica. Incluso con este sistema rudimentario, que fueron capaces de conseguir un nivel de exactitud del 77%, en comparación con aproximadamente el 90% para los sistemas convencionales.
