ChatGPT y otras IA increíblemente más rápidas y eficaces con esta tecnología "luminosa"

El futuro de la inteligencia artificial (IA) podría pasar por la luz. Un nuevo método prometedor, elaborado por investigadores del Instituto Max Planck para la Ciencia de la Luz, propone utilizar un sistema óptico para implementar las redes neuronales. Este enfoque innovador podría hacer que el aprendizaje automático sea más rápido y mucho menos demandante de energía.


Actualmente, las tecnologías de aprendizaje automático e IA están experimentando una rápida expansión, desde tareas de visión hasta la generación de textos, como lo ejemplifica ChatGPT. Sin embargo, este crecimiento demandante en recursos ha llevado a redes neuronales cada vez más complejas, conteniendo a veces miles de millones de parámetros, lo que es energéticamente insostenible.

Para abordar esta problemática, el campo de la informática neuromórfica busca reemplazar las redes neuronales digitales por redes físicas, capaces de realizar las mismas operaciones matemáticas de manera más rápida y eficiente. Las plataformas ópticas y fotónicas resultan particularmente prometedoras debido a su bajo consumo energético y a su velocidad de cálculo, limitada únicamente por la velocidad de la luz.

Sin embargo, persisten dos desafíos principales: la necesidad de potencias láser altas para realizar los cálculos matemáticos complejos y la ausencia de un método de aprendizaje eficaz para estas redes físicas. El método propuesto por Clara Wanjura y Florian Marquardt supera estos obstáculos al modificar la transmisión de la luz.

Este enfoque permite evitar las complicadas interacciones físicas, necesarias para las funciones matemáticas, reduciendo así las necesidades de alta potencia luminosa. Además, el aprendizaje y la inferencia (la explotación) de la red se vuelven más simples; basta con enviar luz a través del sistema y observar la luz transmitida.


Las simulaciones de los investigadores han demostrado que este método puede ser utilizado para tareas de clasificación de imágenes con una precisión equivalente a la de las redes digitales. Las próximas etapas incluyen colaboraciones experimentales para explorar la implementación de este método en diferentes plataformas, abriendo así nuevas posibilidades para los dispositivos neuromórficos.