Atualmente, a inteligência artificial e o Machine Learning estão afetando nossas vidas de muitas maneiras pequenas, mas impactantes. Por exemplo, aplicativos de IA e Machine Learning recomendam entretenimento que podemos desfrutar por meio de serviços de streaming como Netflix e Spotify.
Em um futuro próximo, prevê-se que essas tecnologias terão um impacto ainda maior na sociedade por meio de atividades como a condução de veículos totalmente autônomos, permitindo pesquisas científicas complexas e facilitando descobertas médicas.
Mas os computadores usados para IA e Machine Learning exigem muita energia. Atualmente, a necessidade de poder computacional relacionado a essas tecnologias está dobrando aproximadamente a cada três ou quatro meses. E os data centers de computação em nuvem usados por aplicativos de IA e Machine Learning em todo o mundo já estão devorando mais energia elétrica por ano do que alguns países pequenos. É fácil ver que esse nível de consumo de energia é insustentável.
Uma equipe de pesquisa liderada pela Universidade de Washington desenvolveu um novo hardware de computação óptica para IA e Machine Learning que é mais rápido e muito mais eficiente em termos de energia do que a eletrônica convencional. A pesquisa também aborda outro desafio – o ‘ruído’ inerente à computação óptica que pode interferir na precisão da computação.
Em um novo artigo, publicado em janeiro. Em 21 de novembro na Science Advances, a equipe demonstra um sistema de computação óptica para IA e Machine Learning que não apenas mitiga esse ruído, mas também usa parte dele como entrada para ajudar a melhorar a saída criativa da rede neural artificial dentro do sistema.
“Construímos um computador óptico que é mais rápido que um computador digital convencional”, disse o principal autor Changming Wu, estudante de doutorado em engenharia elétrica e de computação da UW. “E também, este computador óptico pode criar coisas novas com base em entradas aleatórias geradas a partir do ruído óptico que a maioria dos pesquisadores tentou evitar.”
O ruído de computação óptica vem essencialmente de partículas de luz dispersas, ou fótons, que se originam da operação de lasers dentro do dispositivo e da radiação térmica de fundo. Para direcionar o ruído, os pesquisadores usaram seu núcleo de computação óptica para um tipo especial de rede de Machine Learning, chamada de Rede Adversarial Gerativa.
A equipe testou várias técnicas de mitigação de ruído, que incluíram o uso de parte do ruído gerado pelo núcleo de computação óptica para servir como entradas aleatórias para as GANs.
Por exemplo, a equipe atribuiu às GANs a tarefa de aprender a escrever à mão o número “7” como uma pessoa faria. O computador óptico não podia simplesmente imprimir o número de acordo com uma fonte prescrita. Ele teve que aprender a tarefa como uma criança, olhando para amostras visuais de caligrafia e praticando até que pudesse escrever o número corretamente. Claro que o computador óptico não tinha mão humana para escrever, então sua forma de “caligrafia” era gerar imagens digitais que tivessem um estilo semelhante às amostras que havia estudado, mas não eram idênticas a elas.
“Em vez de treinar a rede para ler números manuscritos, treinamos a rede para aprender a escrever números, imitando amostras visuais de caligrafia em que foi treinada”, disse o autor sênior Mo Li, professor de engenharia elétrica e de computação da UW. “Nós, com a ajuda de nossos colaboradores de ciência da computação da Duke University, também mostramos que as GANs podem mitigar o impacto negativo dos ruídos de hardware de computação óptica usando um algoritmo de treinamento robusto a erros e ruídos. Mais do que isso, a rede realmente usa os ruídos como entrada aleatória necessária para gerar instâncias de saída.”
Depois de aprender com amostras manuscritas do número sete, que eram de um conjunto padrão de imagens de treinamento de IA, as GANs praticaram a escrita “7” até conseguir fazê-lo com sucesso. Ao longo do caminho, desenvolveu seu próprio estilo de escrita distinto e podia escrever números de um a 10 em simulações de computador.
Os próximos passos incluem a construção deste dispositivo em maior escala usando a tecnologia atual de fabricação de semicondutores. Assim, em vez de construir a próxima versão do dispositivo em um laboratório, a equipe planeja usar uma fundição industrial de semicondutores para obter tecnologia em escala de wafer. Um dispositivo de maior escala melhorará ainda mais o desempenho e permitirá que a equipe de pesquisa faça tarefas mais complexas além da geração de caligrafia, como criar obras de arte e até vídeos.
“Este sistema óptico representa uma arquitetura de hardware de computador que pode aumentar a criatividade de redes neurais artificiais usadas em IA e Machine Learning, mas, mais importante, demonstra a viabilidade desse sistema em larga escala, onde ruídos e erros podem ser mitigados e até aproveitados. “, disse Li. “Aplicativos de IA estão crescendo tão rápido que, no futuro, seu consumo de energia será insustentável. Essa tecnologia tem o potencial de ajudar a reduzir esse consumo de energia, tornando a IA e o Machine Learning ambientalmente sustentáveis – e muito rápidos, alcançando um desempenho geral mais alto.”
Publicado em 23/01/2022 19h34
Artigo original:
Estudo original: