Los objetos cotidianos pueden ejecutar programas de inteligencia artificial

El hardware no tradicional podría ayudar a que las redes neuronales funcionen de manera más rápida y eficiente que los chips de computadora.

Imagine usar cualquier objeto a su alrededor (una sartén, un pisapapeles de vidrio) como procesador central en una red neuronal, un tipo de inteligencia artificial que imita vagamente al cerebro para realizar tareas complejas.

Esa es la promesa de una nueva investigación que, en teoría, podría usarse para reconocer imágenes o voz de manera más rápida y eficiente que los programas de computadora que dependen de microchips de silicio.

“Todo puede ser una computadora”, dice Logan Wright, físico de la Universidad de Cornell que codirigió el estudio.

“Solo estamos encontrando una manera de hacer que la física del hardware haga lo que queremos”.

Las redes neuronales actuales suelen operar en chips de procesamiento gráfico.

Los más grandes realizan millones o miles de millones de cálculos solo para, por ejemplo, hacer un movimiento de ajedrez o componer una palabra en prosa.

Incluso en chips especializados, eso puede requerir mucho tiempo y electricidad.

Pero Wright y sus colegas se dieron cuenta de que los objetos físicos también se computan de forma pasiva, simplemente respondiendo a los estímulos.

Los cañones, por ejemplo, agregan ecos a las voces sin el uso de cajas de resonancia.

Para demostrar el concepto, los investigadores construyeron redes neuronales en tres tipos de sistemas físicos, cada uno de los cuales contenía hasta cinco capas de procesamiento.

En cada capa de un sistema mecánico, usaron un parlante para hacer vibrar una pequeña placa de metal y registraron su salida usando un micrófono.

En un sistema óptico, pasaban luz a través de cristales.

Y en un sistema analógico-electrónico, pasaron corriente a través de pequeños circuitos.

En cada caso, los investigadores codificaron los datos de entrada, como imágenes sin etiquetar, en sonido, luz o voltaje.

Para cada capa de procesamiento, también codificaron parámetros numéricos que le indicaban al sistema físico cómo manipular los datos.

Para entrenar el sistema, ajustaron los parámetros para reducir los errores entre las etiquetas de imagen predichas del sistema y las etiquetas reales.

En una tarea, entrenaron los sistemas, a los que llaman redes neuronales físicas (PNN), para reconocer dígitos escritos a mano.

En otro, los PNN reconocieron siete sonidos de vocales.

La precisión en estas tareas osciló entre el 87 % y el 97 %, informan.

En el futuro, dice Wright, los investigadores podrían ajustar un sistema no modificando digitalmente sus parámetros de entrada, sino ajustando los objetos físicos, por ejemplo, deformando la placa de metal.

Lenka Zdeborová, física e informática del Instituto Federal Suizo de Tecnología de Lausana que no participó en el trabajo, dice que el estudio es “emocionante”, aunque le gustaría ver demostraciones de tareas más difíciles.

“Hicieron un buen trabajo al demostrar la idea en diferentes contextos”, agrega Damien Querlioz, físico del CNRS, la agencia nacional de investigación francesa.

“Creo que va a ser bastante influyente”.

Wright está muy entusiasmado con el potencial de los PNN como sensores inteligentes que pueden realizar cálculos sobre la marcha.

La óptica de un microscopio podría ayudar a detectar células cancerosas incluso antes de que la luz llegue a un sensor digital, o la membrana del micrófono de un teléfono inteligente podría escuchar palabras de alerta.

Estas “son aplicaciones en las que realmente no piensas en ellas como realizando un cálculo de aprendizaje automático“, dice, sino como “máquinas funcionales“.

Fuente: Nature