{"id":26655,"date":"2024-12-04T03:00:58","date_gmt":"2024-12-04T03:00:58","guid":{"rendered":"https:\/\/domosistemas.com\/?p=26655"},"modified":"2024-12-04T03:00:58","modified_gmt":"2024-12-04T03:00:58","slug":"el-chip-fotonico-del-mit-realiza-calculos-clave-mas-rapidos-de-una-red-neuronal-profunda","status":"publish","type":"post","link":"https:\/\/domosistemas.com\/?p=26655","title":{"rendered":"El chip fot\u00f3nico del MIT realiza c\u00e1lculos clave m\u00e1s r\u00e1pidos de una red neuronal profunda"},"content":{"rendered":"
\n

Los modelos de redes neuronales profundas que impulsan las aplicaciones de aprendizaje autom\u00e1tico se han vuelto tan grandes y complejos que est\u00e1n superando los l\u00edmites del hardware inform\u00e1tico electr\u00f3nico tradicional. En este contexto, los cient\u00edficos del Instituto Tecnol\u00f3gico de Massachussets (MIT<\/a>) han desarrollado un nuevo chip fot\u00f3nico capaz de realizar todos los c\u00e1lculos clave de una red neuronal profunda de forma \u00f3ptica en el chip, lo que podr\u00eda permitir un aprendizaje profundo m\u00e1s r\u00e1pido y con mayor eficiencia energ\u00e9tica para aplicaciones computacionalmente exigentes, como LiDAR o telecomunicaciones de alta velocidad.<\/p>\n

\"Chip
El chip fot\u00f3nico es capaz de realizar los c\u00e1lculos en operaciones lineales y no lineales.<\/figcaption><\/figure>\n

Las redes neuronales profundas se componen de muchas capas interconectadas de nodos, o neuronas, que operan sobre datos de entrada para producir un resultado. Una operaci\u00f3n clave en una red neuronal profunda implica el uso de \u00e1lgebra lineal para realizar la multiplicaci\u00f3n de matrices, que transforma los datos a medida que pasan de una capa a otra. Adem\u00e1s de estas operaciones lineales, las redes neuronales profundas realizan operaciones no lineales que ayudan al modelo a aprender patrones m\u00e1s complejos.<\/p>\n

En 2017, un proyecto anterior demostr\u00f3 una red neuronal \u00f3ptica en un solo chip fot\u00f3nico que pod\u00eda realizar la multiplicaci\u00f3n de matrices con luz. Pero en ese momento, el dispositivo no pod\u00eda realizar operaciones no lineales en el chip. Los datos \u00f3pticos deb\u00edan convertirse en se\u00f1ales el\u00e9ctricas y enviarse a un procesador digital para realizar operaciones no lineales.<\/p>\n

Unidades de funci\u00f3n \u00f3ptica no lineal (NOFU)<\/h2>\n

En base a esta investigaci\u00f3n, los investigadores del MIT han dise\u00f1ado unos dispositivos llamados unidades de funci\u00f3n \u00f3ptica no lineal (NOFU), que combinan electr\u00f3nica y \u00f3ptica para implementar operaciones no lineales en el chip. Compuesto de m\u00f3dulos interconectados que forman una red neuronal \u00f3ptica, el chip se fabrica mediante procesos de fundici\u00f3n comerciales, lo que podr\u00eda permitir el escalado de la tecnolog\u00eda y su integraci\u00f3n en la electr\u00f3nica.<\/p>\n

Los investigadores construyeron una red neuronal profunda \u00f3ptica en un chip fot\u00f3nico utilizando tres capas de dispositivos que realizan operaciones lineales y no lineales. En primer lugar, su sistema codifica los par\u00e1metros de una red neuronal profunda en luz. Posteriormente, una serie de divisores de haz programables realiza la multiplicaci\u00f3n de matrices sobre esas entradas.<\/p>\n

Los datos pasan a NOFU programables, que implementan funciones no lineales al desviar una peque\u00f1a cantidad de luz hacia fotodiodos que convierten las se\u00f1ales \u00f3pticas en corriente el\u00e9ctrica. Este proceso, que elimina la necesidad de un amplificador externo, consume muy poca energ\u00eda.<\/p>\n

Mayor precisi\u00f3n de c\u00e1lculo y menor consumo de energ\u00eda<\/h2>\n

Al obtener una latencia tan baja, permiti\u00f3 entrenar de manera eficiente una red neuronal profunda en el chip, un proceso conocido como entrenamiento in situ, que normalmente consume una enorme cantidad de energ\u00eda en hardware digital.<\/p>\n

El sistema fot\u00f3nico logr\u00f3 una precisi\u00f3n de m\u00e1s del 96% durante las pruebas de entrenamiento y m\u00e1s del 92% durante la inferencia, lo que es comparable al hardware tradicional. Adem\u00e1s, el chip realiza c\u00e1lculos clave en menos de medio nanosegundo.<\/p>\n

Todo el circuito se fabric\u00f3 utilizando la misma infraestructura y los mismos procesos de fundici\u00f3n que se utilizan para producir chips inform\u00e1ticos CMOS. Esto podr\u00eda permitir que el chip se fabricara a gran escala, utilizando t\u00e9cnicas probadas que introducen muy pocos errores en el proceso de fabricaci\u00f3n.<\/p>\n

Los investigadores tienen el objetivo principal de ampliar el tama\u00f1o de su dispositivo e integrarlo con dispositivos electr\u00f3nicos del mundo real, como c\u00e1maras o sistemas de telecomunicaciones. Adem\u00e1s, los investigadores quieren explorar algoritmos que puedan aprovechar las ventajas de la \u00f3ptica para entrenar sistemas m\u00e1s r\u00e1pido y con una mejor eficiencia energ\u00e9tica.<\/p>\n

La entrada El chip fot\u00f3nico del MIT realiza c\u00e1lculos clave m\u00e1s r\u00e1pidos de una red neuronal profunda<\/a> aparece primero en CASADOMO<\/a>.<\/p>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Los modelos de redes neuronales profundas que impulsan las aplicaciones de aprendizaje autom\u00e1tico se han vuelto tan grandes y complejos que est\u00e1n superando los l\u00edmites del hardware inform\u00e1tico electr\u00f3nico tradicional. En este contexto, los cient\u00edficos del Instituto Tecnol\u00f3gico de Massachussets (MIT) han desarrollado un nuevo chip fot\u00f3nico capaz de realizar todos los c\u00e1lculos clave de … Sigue leyendo El chip fot\u00f3nico del MIT realiza c\u00e1lculos clave m\u00e1s r\u00e1pidos de una red neuronal profunda<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-26655","post","type-post","status-publish","format-standard","hentry","category-casadomo-com"],"_links":{"self":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/26655","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=26655"}],"version-history":[{"count":0,"href":"https:\/\/domosistemas.com\/index.php?rest_route=\/wp\/v2\/posts\/26655\/revisions"}],"wp:attachment":[{"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=26655"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=26655"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/domosistemas.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=26655"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}