IA más eficiente en el borde gracias al codesarrollo de hardware y algoritmos

La proliferación de la inteligencia artificial (IA) en dispositivos cotidianos como teléfonos inteligentes, cámaras o vehículos autónomos, lo que se conoce como IA en el borde, presenta un desafío intrínseco: la necesidad de ejecutar complejos algoritmos en sistemas con limitada potencia de procesamiento, capacidad de batería y espacio de hardware. Tareas aparentemente sencillas, como la identificación de un idioma escrito, pueden consumir recursos que estos dispositivos no pueden permitirse malgastar.

Frente a esta limitación, investigadores de la Universidad de Massachusetts Amherst han propuesto un enfoque disruptivo: el codesarrollo de hardware y algoritmos. Su sistema ha logrado identificar idiomas escritos con una precisión del 95,24% al mismo tiempo que redujo los recursos computacionales en un 90%. Este logro representa la mayor precisión reportada para una implementación de computación hiperdimensional en una plataforma de hardware emergente.

Una simbiosis entre computación hiperdimensional y memristores

El éxito de esta innovación radica en la combinación de la computación hiperdimensional (HDC) con hardware de computación analógica en memoria. La HDC es una forma de inteligencia artificial inspirada en el cerebro que representa la información mediante grandes patrones matemáticos, o hipervectores. Estos patrones permiten que ciertas tareas de IA se realicen con operaciones más simples, lo que la hace idónea para dispositivos con recursos limitados.

Sin embargo, los sistemas HDC convencionales requieren hardware para generar y almacenar hipervectores aleatorios, además de mover datos entre la memoria y las unidades de procesamiento, lo que consume tiempo y energía. Para superar estas barreras, el equipo de UMass implementó el algoritmo utilizando matrices de memristores, componentes eléctricos capaces de almacenar y procesar datos en la misma ubicación física, eliminando la necesidad de trasladar información.

Aprovechar la imperfección del hardware

Un aspecto clave del funcionamiento de este sistema es que aprovecha una característica que los ingenieros suelen considerar un defecto: la variabilidad natural de los memristores. En lugar de intentar eliminar esta aleatoriedad inherente, los investigadores la utilizan para codificar las características del lenguaje, transformando una limitación en una ventaja.

Las matrices de conexión cruzada memristivas realizan multiplicaciones vector-matriz analógicas, mapeando las características del lenguaje en hipervectores sin necesidad de generadores de números aleatorios separados o memoria adicional. Además, el equipo empleó un perceptrón de una sola capa para la clasificación, evitando así las funciones de activación entre capas y la retropropagación requeridas por las redes neuronales profundas, lo que simplifica aún más el proceso.

Esta aproximación conjunta, que permite que las características del hardware moldeen el algoritmo, ha reducido la dimensionalidad de los hipervectores en casi un 90%. El sistema completo, implementado en un sistema en chip memristivo multinúcleo, alcanzó la precisión mencionada del 95,24%. En simulaciones, el enfoque co-diseñado mostró una precisión del 98,87% al identificar 21 idiomas europeos.

Aunque el sistema actual se enfoca en el procesamiento de lenguaje escrito, los investigadores confían en que este enfoque podría extenderse al lenguaje hablado. De confirmarse, esto permitiría un procesamiento de lenguaje natural más eficiente en dispositivos como teléfonos, altavoces inteligentes, automóviles y robots. Para los dispositivos de borde que carecen de la capacidad de procesamiento de un centro de datos, hacer que el hardware y el algoritmo trabajen en conjunto es fundamental para mantener la inteligencia directamente en el dispositivo.