Inteligencia artificial más rápida en el hogar mediante la luz

Pregúntele mediante voz a un dispositivo inteligente de su hogar qué tiempo hará, y el aparato tardará varios segundos en responder. Una de las razones por las que se produce esta latencia es que los dispositivos conectados no tienen suficiente memoria o potencia para almacenar y ejecutar los enormes modelos de aprendizaje automático (una modalidad de inteligencia artificial) necesarios para que el dispositivo entienda lo que el usuario le pide. El modelo se almacena en un centro de datos que puede estar a cientos de kilómetros de distancia, donde se calcula la respuesta y se envía al dispositivo.

Un equipo que incluye a Alexander Sludds y Dirk Englund, ambos del Instituto Tecnológico de Massachusetts (MIT) en Estados Unidos, ha creado un nuevo método para calcular directamente en estos dispositivos y reducir drásticamente esta latencia. Su técnica desplaza los pasos que más memoria requieren a un servidor central donde los componentes del modelo se codifican en ondas de luz.

Las ondas se transmiten a un dispositivo conectado mediante fibra óptica, lo que permite enviar cantidades ingentes de datos a una velocidad enorme a través de una red. El receptor emplea entonces un sencillo dispositivo óptico que realiza rápidamente los cálculos utilizando las partes de un modelo transportado por esas ondas de luz.

Esta técnica permite multiplicar por más de cien la eficiencia energética en comparación con otros métodos. También podría mejorar la seguridad, ya que los datos de un usuario no necesitan ser transferidos a un centro de datos para su cálculo.

Este método podría permitir que un coche autoconducido tomara decisiones en tiempo real utilizando solo un pequeño porcentaje de la energía que actualmente necesitan los ordenadores de alto consumo. También podría permitir a un usuario mantener una conversación sin latencia con su dispositivo doméstico inteligente, utilizarse para el procesamiento de vídeo en directo a través de redes celulares o incluso permitir la clasificación de imágenes a alta velocidad a bordo de una nave espacial a millones de kilómetros de la Tierra.

«Cada vez que se quiere hacer funcionar una red neural, hay que ejecutar el programa, y la rapidez con la que se puede ejecutar el programa depende de la rapidez con la que se pueda canalizar el programa desde la memoria. Nuestra tubería es enorme: equivale a enviar una película completa por internet cada milisegundo, más o menos. Así de rápido llegan los datos a nuestro sistema. Y puede calcular tan rápido como eso», explica Englund.

El nuevo transceptor inteligente usa tecnología fotónica de silicio para acelerar de manera espectacular una de las fases que más memoria requieren del proceso de ejecutar un modelo de aprendizaje automático. (Ilustración: Alex Sludds, con modificaciones de MIT News. CC BY-NC-ND 3.0)

Las redes neuronales son modelos de aprendizaje automático que utilizan capas de nodos conectados, o neuronas artificiales, para reconocer patrones en conjuntos de datos y realizar tareas, como clasificar imágenes o reconocer el habla. Pero estos modelos pueden contener miles de millones de valores numéricos que transforman los datos de entrada a medida que se procesan. Estos valores deben almacenarse en la memoria. Al mismo tiempo, el proceso de transformación de los datos implica miles de millones de cálculos algebraicos, cuya realización requiere una gran cantidad de energía.

El proceso de sacar los datos de la memoria y trasladarlos a las partes de un ordenador que realizan el cálculo es uno de los mayores factores que limitan la velocidad y la eficiencia energética.

Con Netcast, la arquitectura de red neural desarrollada por Sludds y sus colegas, el almacenamiento de los citados valores numéricos se realiza en un servidor central que está conectado a un novedoso componente de hardware llamado transceptor inteligente. Este transceptor inteligente, un chip del tamaño de un pulgar que puede recibir y transmitir datos, utiliza una tecnología conocida como fotónica de silicio para obtener billones de valores numéricos de la memoria cada segundo.

Recibe los valores como señales eléctricas y los plasma en ondas de luz. Como los datos están codificados en forma de bits (ceros y unos), el transceptor los convierte mediante la conmutación láser; un láser se enciende para un 1 y se apaga para un 0. Combina estas ondas de luz y luego las transfiere periódicamente a través de una red de fibra óptica al dispositivo cliente.

Una vez que las ondas de luz llegan al dispositivo cliente, un sencillo componente óptico conocido como modulador Mach-Zehnder de banda ancha las utiliza para realizar un cálculo analógico ultrarrápido. Esto incluye codificar los datos de entrada del dispositivo, como la información de los sensores, en los valores numéricos. Luego envía cada longitud de onda individual a un receptor que detecta la luz y mide el resultado del cálculo.

Sludds y sus colegas exponen los detalles de su nuevo sistema en la revista académica Science, bajo el título «Delocalized Photonic Deep Learning on the Internet’s Edge». (Fuente: NCYT de Amazings)