Una IA inspirada en el cerebro podría reducir el consumo energético

La inteligencia artificial (IA) podría volverse más eficiente en el uso de energía y más rápida, gracias a un nuevo enfoque desarrollado en la Universidad de Surrey que se inspira directamente en las redes neuronales biológicas del cerebro humano.

En un estudio publicado en Neurocomputing, investigadores del grupo de Computación y Ingeniería Inspirada en la Naturaleza (NICE) de Surrey demostraron que imitar el cableado neuronal escaso y estructurado del cerebro puede mejorar significativamente el rendimiento de las redes neuronales artificiales (ANN), utilizadas en la IA generativa y otros modelos modernos como ChatGPT, sin sacrificar la precisión.

El método, denominado Topographical Sparse Mapping (TSM), replantea cómo se conectan los sistemas de IA en su nivel más fundamental. A diferencia de los modelos de aprendizaje profundo convencionales, que conectan cada neurona en una capa con todas las neuronas en la siguiente, desperdiciando energía, el TSM conecta cada neurona solo con las cercanas o relacionadas, de manera similar a cómo el sistema visual del cerebro organiza la información de manera eficiente. A través de este diseño natural, el modelo elimina la necesidad de una gran cantidad de conexiones y cálculos innecesarios.

Una versión mejorada, llamada Enhanced Topographical Sparse Mapping (ETSM), lleva el concepto un paso más allá al introducir un proceso de "poda" inspirado biológicamente durante el entrenamiento, similar a cómo el cerebro refina gradualmente sus conexiones neuronales a medida que aprende. Juntas, estas aproximaciones permiten que los sistemas de IA logren una precisión igual o incluso mayor mientras utilizan solo una fracción de los parámetros y la energía requeridos por los modelos convencionales.

El Dr. Roman Bauer, profesor titular en la Escuela de Ciencias de la Computación y la Ingeniería Electrónica de Surrey y supervisor del proyecto, comentó: "Entrenar muchos de los modelos de IA grandes y populares de hoy puede consumir más de un millón de kilovatios-hora de electricidad, lo que equivale al uso anual de más de cien hogares en EE. UU., y costar decenas de millones de dólares. Eso simplemente no es sostenible a medida que la IA continúa creciendo. Nuestro trabajo demuestra que los sistemas inteligentes pueden construirse de manera mucho más eficiente, reduciendo la demanda de energía sin sacrificar el rendimiento".

El modelo mejorado de Surrey logró hasta un 99% de escasez, lo que significa que podría eliminar casi todas las conexiones neuronales habituales, pero aún así igualó o superó la precisión de las redes estándar en conjuntos de datos de referencia. Debido a que evita el ajuste fino constante y el recableado utilizados por otros enfoques, se entrena más rápido, utiliza menos memoria y consume menos del uno por ciento de la energía de un sistema de IA convencional.

Mohsen Kamelian Rad, un estudiante de doctorado en la Universidad de Surrey y autor principal del estudio, afirmó: "El cerebro logra una eficiencia notable a través de su estructura, con cada neurona formando conexiones que están organizadas espacialmente. Cuando reflejamos este diseño topográfico, podemos entrenar sistemas de IA que aprenden más rápido, utilizan menos energía y funcionan con la misma precisión. Es una nueva forma de pensar sobre las redes neuronales, construida sobre los mismos principios biológicos que hacen que la inteligencia natural sea tan efectiva".

Si bien el marco actual aplica el mapeo inspirado en el cerebro a la capa de entrada de un modelo de IA, extenderlo a capas más profundas podría hacer que las redes sean aún más delgadas y eficientes. El equipo de investigación también está explorando cómo se podría utilizar el enfoque en otras aplicaciones, como computadoras neuromórficas más realistas, donde las ganancias de eficiencia podrían tener un impacto aún mayor.