La computaci\u00f3n de reservorios ya es uno de los tipos de inteligencia artificial m\u00e1s avanzados y poderosos que los cient\u00edficos tienen a su disposici\u00f3n, y ahora un nuevo estudio describe c\u00f3mo hacerlo hasta un mill\u00f3n de veces m\u00e1s r\u00e1pido en ciertas tareas. Es un avance emocionante cuando se trata de abordar los desaf\u00edos computacionales m\u00e1s complejos, desde predecir la forma en que cambiar\u00e1 el clima hasta modelar el flujo de fluidos a trav\u00e9s de un espacio en particular. Estos problemas son para lo que se desarroll\u00f3 este tipo de computaci\u00f3n de uso intensivo de recursos; ahora, las \u00faltimas innovaciones lo har\u00e1n a\u00fan m\u00e1s \u00fatil. El equipo detr\u00e1s de este nuevo estudio lo llama la pr\u00f3xima generaci\u00f3n de computaci\u00f3n de yacimientos.<\/p>\n\n\n\n
“Podemos realizar tareas de procesamiento de informaci\u00f3n muy complejas en una fracci\u00f3n del tiempo utilizando muchos menos recursos inform\u00e1ticos en comparaci\u00f3n con lo que puede hacer actualmente la computaci\u00f3n de yacimientos”, dice el f\u00edsico Daniel Gauthier, de la Universidad Estatal de Ohio.<\/p>\n\n\n\n
“Y la computaci\u00f3n de yacimientos ya fue una mejora significativa de lo que antes era posible”.<\/p>\n\n\n\n
La computaci\u00f3n de reservorio se basa en la idea de redes neuronales (sistemas de aprendizaje autom\u00e1tico basados \u200b\u200ben la forma en que funcionan los cerebros vivos) que est\u00e1n entrenados para detectar patrones en una gran cantidad de datos. Muestre a una red neuronal mil im\u00e1genes de un perro, por ejemplo, y deber\u00eda ser bastante preciso para reconocer a un perro la pr\u00f3xima vez que aparezca uno.<\/p>\n\n\n\n
Los detalles de la potencia adicional que aporta la computaci\u00f3n de reservorios son bastante t\u00e9cnicos. B\u00e1sicamente, el proceso env\u00eda informaci\u00f3n a un “dep\u00f3sito”, donde los puntos de datos est\u00e1n vinculados de varias formas. Luego, la informaci\u00f3n se env\u00eda fuera del dep\u00f3sito, se analiza y se retroalimenta al proceso de aprendizaje.<\/p>\n\n\n\n
Esto hace que todo el proceso sea m\u00e1s r\u00e1pido de alguna manera y m\u00e1s adaptable a las secuencias de aprendizaje. Pero tambi\u00e9n depende en gran medida del procesamiento aleatorio, lo que significa que lo que sucede dentro del dep\u00f3sito no es muy claro. Para usar un t\u00e9rmino de ingenier\u00eda, es una ‘caja negra’; generalmente funciona, pero nadie sabe realmente c\u00f3mo o por qu\u00e9.<\/p>\n\n\n\n
Con la nueva investigaci\u00f3n que se acaba de publicar, las computadoras de dep\u00f3sito se pueden hacer m\u00e1s eficientes eliminando la aleatorizaci\u00f3n. Se utiliz\u00f3 un an\u00e1lisis matem\u00e1tico para determinar qu\u00e9 partes de una computadora de dep\u00f3sito son realmente cruciales para que funcione y cu\u00e1les no. Deshacerse de esos bits redundantes acelera el tiempo de procesamiento.<\/p>\n\n\n\n
Uno de los resultados finales es que se necesita menos per\u00edodo de ‘calentamiento’: ah\u00ed 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 investigaci\u00f3n realiz\u00f3 mejoras significativas aqu\u00ed.<\/p>\n\n\n\n
“Para nuestra computaci\u00f3n de yacimientos de pr\u00f3xima generaci\u00f3n, casi no se necesita tiempo de calentamiento”, dice Gauthier.<\/p>\n\n\n\n
“Actualmente, los cient\u00edficos tienen que introducir 1.000 o 10.000 puntos de datos o m\u00e1s 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”.<\/p>\n\n\n\n
Una tarea de pron\u00f3stico particularmente dif\u00edcil se complet\u00f3 en menos de un segundo en una computadora de escritorio est\u00e1ndar utilizando el nuevo sistema. Con la tecnolog\u00eda actual de computaci\u00f3n de yacimientos, la misma tarea lleva mucho m\u00e1s tiempo, incluso en una supercomputadora.<\/p>\n\n\n\n
El nuevo sistema demostr\u00f3 ser entre 33 y 163 veces m\u00e1s r\u00e1pido, seg\u00fan los datos. Sin embargo, cuando el objetivo de la tarea se cambi\u00f3 para priorizar la precisi\u00f3n, el modelo actualizado fue un mill\u00f3n de veces m\u00e1s r\u00e1pido. Este es solo el comienzo de este tipo de red neuronal s\u00faper eficiente, y los investigadores detr\u00e1s de \u00e9l esperan enfrentarlo con tareas m\u00e1s desafiantes en el futuro.<\/p>\n\n\n\n
“Lo que es emocionante es que esta pr\u00f3xima generaci\u00f3n de computaci\u00f3n de yacimientos toma lo que ya era muy bueno y lo hace significativamente m\u00e1s eficiente”, dice Gauthier.<\/p>\n\n\n\n