Un avance en computación resuelve un complejo problema matemático un millón de veces más rápido

Tecnología

La computación de reservorios ya es uno de los tipos de inteligencia artificial más avanzados y poderosos que los científicos tienen a su disposición, y ahora un nuevo estudio describe cómo hacerlo hasta un millón de veces más rápido en ciertas tareas. Es un avance emocionante cuando se trata de abordar los desafíos computacionales más complejos, desde predecir la forma en que cambiará el clima hasta modelar el flujo de fluidos a través de un espacio en particular. Estos problemas son para lo que se desarrolló este tipo de computación de uso intensivo de recursos; ahora, las últimas innovaciones lo harán aún más útil. El equipo detrás de este nuevo estudio lo llama la próxima generación de computación de yacimientos.

“Podemos realizar tareas de procesamiento de información muy complejas en una fracción del tiempo utilizando muchos menos recursos informáticos en comparación con lo que puede hacer actualmente la computación de yacimientos”, dice el físico Daniel Gauthier, de la Universidad Estatal de Ohio.

“Y la computación de yacimientos ya fue una mejora significativa de lo que antes era posible”.

La computación de reservorio se basa en la idea de redes neuronales (sistemas de aprendizaje automático basados ​​en la forma en que funcionan los cerebros vivos) que están entrenados para detectar patrones en una gran cantidad de datos. Muestre a una red neuronal mil imágenes de un perro, por ejemplo, y debería ser bastante preciso para reconocer a un perro la próxima vez que aparezca uno.

Los detalles de la potencia adicional que aporta la computación de reservorios son bastante técnicos. Básicamente, el proceso envía información a un “depósito”, donde los puntos de datos están vinculados de varias formas. Luego, la información se envía fuera del depósito, se analiza y se retroalimenta al proceso de aprendizaje.

Esto hace que todo el proceso sea más rápido de alguna manera y más adaptable a las secuencias de aprendizaje. Pero también depende en gran medida del procesamiento aleatorio, lo que significa que lo que sucede dentro del depósito no es muy claro. Para usar un término de ingeniería, es una ‘caja negra’; generalmente funciona, pero nadie sabe realmente cómo o por qué.

Con la nueva investigación que se acaba de publicar, las computadoras de depósito se pueden hacer más eficientes eliminando la aleatorización. Se utilizó un análisis matemático para determinar qué partes de una computadora de depósito son realmente cruciales para que funcione y cuáles no. Deshacerse de esos bits redundantes acelera el tiempo de procesamiento.

Uno de los resultados finales es que se necesita menos período de ‘calentamiento’: ahí es donde la red neuronal se alimenta con datos de entrenamiento para prepararla para la tarea que se supone que debe hacer. El equipo de investigación realizó mejoras significativas aquí.

“Para nuestra computación de yacimientos de próxima generación, casi no se necesita tiempo de calentamiento”, dice Gauthier.

“Actualmente, los científicos tienen que introducir 1.000 o 10.000 puntos de datos o más para calentarlos. Y esos son todos los datos que se pierden, que no son necesarios para el trabajo real. Solo tenemos que introducir uno o dos o tres puntos de datos”.

Una tarea de pronóstico particularmente difícil se completó en menos de un segundo en una computadora de escritorio estándar utilizando el nuevo sistema. Con la tecnología actual de computación de yacimientos, la misma tarea lleva mucho más tiempo, incluso en una supercomputadora.

El nuevo sistema demostró ser entre 33 y 163 veces más rápido, según los datos. Sin embargo, cuando el objetivo de la tarea se cambió para priorizar la precisión, el modelo actualizado fue un millón de veces más rápido. Este es solo el comienzo de este tipo de red neuronal súper eficiente, y los investigadores detrás de él esperan enfrentarlo con tareas más desafiantes en el futuro.

“Lo que es emocionante es que esta próxima generación de computación de yacimientos toma lo que ya era muy bueno y lo hace significativamente más eficiente”, dice Gauthier.

Fuente: Science Alert.

Deja un comentario

Tu dirección de correo electrónico no será publicada.