Un equipo de investigación de varias instituciones ha desarrollado un chip óptico que puede entrenar hardware de aprendizaje automático.

Las aplicaciones de aprendizaje automático se dispararon a $ 165 mil millones anuales, según un informe reciente de McKinsey. Pero, antes de que una máquina pueda realizar tareas de inteligencia como reconocer los detalles de una imagen, debe ser entrenada. El entrenamiento de los sistemas de inteligencia artificial (IA) modernos, como el piloto automático de Tesla, cuesta varios millones de dólares en consumo de energía eléctrica y requiere una infraestructura similar a la de una supercomputadora. Este «apetito» creciente de IA deja una brecha cada vez mayor entre el hardware de la computadora y la demanda de IA. Los circuitos integrados fotónicos, o simplemente chips ópticos, han surgido como una posible solución para ofrecer un mayor rendimiento informático, medido por el número de operaciones realizadas por segundo por vatio utilizado, o TOPS/W. Sin embargo, aunque han demostrado operaciones centrales mejoradas en la inteligencia de la máquina utilizada para la clasificación de datos, los chips fotónicos aún tienen que mejorar el proceso real de aprendizaje y entrenamiento de la máquina.

El aprendizaje automático es un procedimiento de dos pasos. Primero, los datos se usan para entrenar el sistema y luego se usan otros datos para probar el rendimiento del sistema de IA. En un nuevo artículo, un equipo de investigadores de la Universidad George Washington, la Universidad de Queens, la Universidad de Columbia Británica y la Universidad de Princeton se propusieron hacer precisamente eso. Después de un paso de entrenamiento, el equipo observó un error y reconfiguró el hardware para un segundo ciclo de entrenamiento seguido de ciclos de entrenamiento adicionales hasta que se alcanzó un rendimiento de IA suficiente (por ejemplo, el sistema puede etiquetar correctamente los objetos que aparecen en una película). Hasta ahora, los chips fotónicos solo han demostrado la capacidad de clasificar e inferir información a partir de datos. Ahora, los investigadores han hecho posible acelerar el paso de entrenamiento en sí.

Esta capacidad adicional de IA es parte de un esfuerzo mayor en torno a los núcleos de tensores fotónicos y otros circuitos integrados específicos de aplicaciones (ASIC) electrónicos-fotónicos que aprovechan la fabricación de chips fotónicos para el aprendizaje automático y las aplicaciones de IA.

«Este nuevo hardware acelerará el entrenamiento de los sistemas de aprendizaje automático y aprovechará lo mejor de lo que ofrecen tanto la fotónica como los chips electrónicos. Es un gran paso adelante para la aceleración del hardware de IA. Estos son los tipos de avances que necesitamos en los semiconductores». industria como lo subraya la Ley CHIPS recientemente aprobada».

  • Volker Sorger, profesor de Ingeniería Eléctrica e Informática en la Universidad George Washington y fundador de la empresa emergente Optelligence
  • «La capacitación de los sistemas de IA cuesta una cantidad significativa de energía y huella de carbono. Por ejemplo, un solo transformador de IA consume aproximadamente cinco veces más CO2 en electricidad que lo que gasta un automóvil de gasolina durante su vida útil. Nuestra capacitación en chips fotónicos ayudará a reducir esta sobrecarga».

  • Bhavin Shastri, Profesor Asistente del Departamento de Física de la Universidad de Queens