miércoles. 17.04.2024

Un estudio del grupo de investigación en Ingeniería Electrónica de la Universidad de las Islas Baleares (UIB) que propone mejorar la eficiencia energética de la inteligencia artificial (IA) mediante el uso de la llamada computación estocástica, ha recibido un premio en un congreso internacional.
 

El trabajo 'Approximate arithmetic aware training for stochastic computing neural networks' ha sido considerado el mejor del congreso internacional Design of Circuits and Integrated Systems Conference 2023 que se celebró el pasado noviembre en la Universidad de Málaga, ha informado la UIB en un comunicado.
 

Los autores del trabajo premiado son los doctores Christian Franco Frasser, Alejandro Morán, Vicens Canals, Joan Font, Eugeni Isern, Miquel Roca y Josep Ll. Rosellón.

El grupo de investigación en Ingeniería Electrónica es especialista en la implementación en hardware (hardware) de redes neuronales para distintos tipos de aplicaciones como la identificación de patrones (imágenes, caracteres, sonidos…), la predicción de series temporales (meteorológicas, de generación energética…) o el hallazgo de posibles componentes para la generación de fármacos a partir de grandes bases de datos de componentes químicos (big data).



La implementación de hardware de redes neuronales permite incrementar la velocidad del procesamiento de datos y reducir el consumo energético. También permite trabajar con la computación estocástica, que presenta varias ventajas respecto a la lógica booleana tradicional con la que funcionan los procesos de software, como la reducción de los recursos de hardware necesarios y, también, el consumo energético.
 

El trabajo galardonado ha demostrado la eficiencia de la computación estocástica a la hora de implementar una red neuronal convolucional (CNN) tipo LeNet-5, una de las redes neuronales más famosas en el ámbito de la inteligencia artificial, gracias a un dispositivo hardware programable que es una matriz de puertas programables in situ o FPGA.
 

El artículo premiado presenta una mínima pérdida de precisión a la hora de clasificar un banco de imágenes de entrada (sólo un 0,01 %, comparado con otros trabajos) mientras que multiplica por 27 la velocidad de clasificación y reduce 33 veces el gasto energético respecto a los mejores resultados de los trabajos de otros autores donde también se implementa la red LeNet-5 para clasificar el propio banco de imágenes.

Premian un trabajo de investigación de UIB para mejorar la eficiencia energética de la IA
Entrando en la página solicitada Saltar publicidad