Un grupo de ingenieros de la Universidad de Texas (Estados Unidos) ha trabajado en conjunto con la fundición de semiconductores más grande del planeta para fabricar y poner a prueba una tecnología de memoria emergente. Esta innovación podría ser una solución clave para la creciente demanda energética de la inteligencia artificial. Los hallazgos fueron publicados en la revista Science Advances.
En colaboración con Taiwan Semiconductor Manufacturing Company (TSMC), los investigadores evaluaron la memoria SOT-MRAM, un tipo de memoria no volátil que conserva la información incluso sin alimentación eléctrica. Su funcionamiento se basa en propiedades magnéticas, lo que le otorga mayor velocidad y un consumo energético significativamente menor en comparación con otras tecnologías de memoria existentes.
Según explicó Sam Liu, primer autor del estudio y recién doctorado de la Universidad de Texas en Austin:
“La combinación única de velocidad, eficiencia energética y durabilidad hace que la SOT-MRAM sea ideal para aplicaciones de IA, especialmente en dispositivos donde los recursos como la energía y la memoria son limitados. La SOT-MRAM no se había considerado para hardware de IA, ya que solo puede almacenar dos estados, pero la diseñamos para aprovechar el estado binario sin comprometer la precisión”.
Los chips fueron sometidos a diversas tareas de inteligencia artificial, incluyendo inferencia de redes neuronales, entrenamiento de redes neuronales binarias y modelado probabilístico de gráficos.
Los resultados mostraron que las operaciones de escritura se completaban en apenas 2 nanosegundos (el cambio estándar entre datos almacenados, de 0 a 1) y consumían tan solo 2 picojulios de energía por escritura. En contraste, otras tecnologías de memoria pueden tardar entre 5 y cientos de veces más (varios milisegundos) en ejecutar estas tareas y consumir cientos de picojulios o incluso más.
El auge de la inteligencia artificial y los centros de datos necesarios para su operación han disparado la demanda energética en Texas y a nivel mundial. Se proyecta que Texas se convierta en la capital estadounidense de los centros de datos en los próximos años, lo que podría multiplicar por cinco el consumo eléctrico del estado.
Existen dos vías principales para reducir el impacto energético de la IA: mejorar la eficiencia de la tecnología y disminuir la dependencia de los centros de datos. Las mejoras en la capacidad de memoria, como las que ofrece la SOT-MRAM, podrían contribuir a ambos frentes.
Al respecto, Jean Anne Incorvia, profesora asociada del Departamento de Ingeniería Eléctrica e Informática Chandra Family de la Escuela de Ingeniería Cockrell y líder académica del proyecto, señaló:
“Demostramos que los aceleradores de IA SOT-MRAM pueden proporcionar la eficiencia energética, con la precisión suficiente, para eventualmente reemplazar a los aceleradores de IA basados en CPU en dispositivos periféricos como los sensores. Por ejemplo, consideremos una mano robótica que detecta el calor. Al igual que un humano, la IA local en la mano puede tomar una decisión rápida con la precisión suficiente para moverla, sin siquiera transmitir la señal neuronal al cerebro. Cuando se requiere una precisión muy alta, el robot puede conectarse a centros de datos basados en GPU en la nube”.
El equipo de investigación planea continuar perfeccionando esta tecnología. Los próximos pasos incluyen ajustar las características clave que permiten la velocidad y eficiencia de los chips, así como reducir la variación entre dispositivos, un factor que puede afectar la precisión de las redes neuronales.
Fuente: Infobae