Estás leyendo la publicación: La última investigación en inteligencia artificial propone una máquina bayesiana: un enfoque de IA que realiza cálculos basados en el teorema de Bayes utilizando memristores
El rendimiento de los modelos de aprendizaje automático ha mejorado drásticamente en varias tareas del mundo real debido a los recientes desarrollos tecnológicos. Sin embargo, la mayoría de estos modelos necesitan una cantidad significativa de potencia computacional, lo que hace que el entrenamiento y la implementación de estos modelos sean una tarea difícil. Para hacer que los modelos de aprendizaje automático y profundo funcionen de manera más fluida y efectiva, los investigadores ahora han buscado varias alternativas de hardware.
Uno de estos enfoques se basa en la integración de redes neuronales con memristores u otras técnicas de memoria de vanguardia. Los memristores son componentes eléctricos que controlan la cantidad de corriente que fluye mientras realizan un seguimiento de la cantidad de energía que ya ha pasado a través de ellos. El hecho de que no sean volátiles o conserven la memoria sin requerir energía contribuye en gran medida a su importancia. Cuando se trata de aplicaciones con ciertos niveles de incertidumbre, acceso limitado a datos y que requieren una toma de decisiones explicable, las redes neuronales no siempre resultan ser la opción ideal.
El razonamiento bayesiano se puede aplicar en esta situación. Sin embargo, poner en práctica los modelos bayesianos es extremadamente costoso desde el punto de vista computacional y, a diferencia de las redes neuronales, estos modelos no se convierten naturalmente en diseños basados en memristor. Trabajando en esta declaración del problema, varios investigadores de varias universidades francesas, incluidas la Université Paris-Saclay-CNRS, la Université Grenoble-Alpes-CEA-LETI, HawAI.tech, la Universidad de la Sorbona y la Université d’Aix-Marseille-CNRS colaboraron para desarrollar un Máquina bayesiana que utiliza memristores y está diseñada para un razonamiento bayesiano extremadamente eficiente desde el punto de vista energético. El artículo que destaca su investigación también se publica en la revista científica Nature Electronics.
El requerimiento de energía de los sistemas de inteligencia artificial se debe principalmente a la separación de la memoria y las tareas computacionales. Dado que los modelos usan una gran cantidad de datos de entrenamiento, exigen una cantidad considerable de memoria, a la que es costoso acceder en términos de energía. A diferencia de las redes neuronales, los cerebros humanos son mucho más eficientes energéticamente porque la memoria y los procesos informáticos están vinculados lo más estrechamente posible. Los investigadores utilizaron este concepto como base para crear su arquitectura.
Al emplear computación estocástica y memoria distribuida, el diseño de la máquina se crea formulando la ley de Bayes de una manera que hace que su aplicación sea intuitiva. Esto hace que el circuito sea significativamente más eficiente desde el punto de vista energético que las soluciones de hardware anteriores, ya que permite que el circuito funcione solo con memoria local y un movimiento de datos mínimo. Además, los memristores pueden imitar mejor las técnicas de procesamiento de información utilizadas por el cerebro humano porque pueden realizar cálculos y actuar como almacenamiento de memoria.
El prototipo de la máquina bayesiana consta de 30.080 transistores y 2.048 memristores de óxido de hafnio. Los investigadores utilizaron una tarea de reconocimiento de gestos para demostrar que su prototipo reconoce ciertos movimientos humanos utilizando 5000 veces menos energía que una unidad de microcontrolador convencional. Otras características de la máquina bayesiana incluyen la funcionalidad de encendido/apagado rápido, la idoneidad para voltajes de suministro bajos y la resistencia a perturbaciones de un solo evento. Estos notables hallazgos allanan el camino para el razonamiento bayesiano como una estrategia atractiva para modelos confiables y energéticamente eficientes.
El razonamiento bayesiano se puede utilizar como una estrategia de IA alternativa en situaciones en las que el aprendizaje profundo tiene limitaciones, como la falta de disponibilidad de datos. Esto se debe a su adecuado desempeño en escenarios de datos limitados y su capacidad para entregar resultados totalmente comprensibles. El equipo espera firmemente que su máquina bayesiana basada en memristor contribuya significativamente a la mejora de la eficiencia de los modelos de IA en el futuro. Anticipan que otros investigadores pueden usar el diseño como trampolín para crear otras tecnologías relacionadas, como aplicaciones críticas para la seguridad como sensores médicos.
Los investigadores explicaron además que actualmente están desarrollando una versión considerablemente ampliada de la máquina bayesiana. También están trabajando en la aplicación de los conceptos subyacentes de la máquina a otras técnicas de aprendizaje automático. Los investigadores también se esfuerzan por superar ciertas limitaciones a las que se enfrentan mientras amplían su método, utilizando soluciones basadas en memristor.
Revisar la Papel. Todo el crédito de esta investigación es para los investigadores de este proyecto. Además, no olvides unirte nuestra página de Reddit, Canal de discordia, y Boletín electrónicodonde compartimos las últimas noticias de investigación de IA, interesantes proyectos de IA y más.
Echa un vistazo a https://aitoolsclub.com para encontrar 100 de Cool AI Tools
