Nueva publicación de Francisco Ortega, Escuela de Ciencias Matemáticas y Tecnología Informática

La última publicación científica de Francisco Ortega1, 2, José Jerez2, Iván Gómez2 y Leonardo Franco2 fue publicada en la revista científica Integrated Computer-Aided Engineering. Se realizó el 13 de enero y trata acerca de la implementación en dispositivos hardware de sistemas de redes neuronales artificiales con un proceso de aprendizaje profundo para aplicaciones de Inteligencia Artificial.

Con el fin de extraer información de un conjunto de datos, las redes neurales artificiales con arquitectura multicapa precisan de un tiempo computacional elevado o usar sistemas de muy alto rendimiento, como supercomputadoras. En esta publicación Francisco y sus colaboradores, proponen implementar el proceso de aprendizaje profundo en un dispositivo hardware, una FPGA, como método alternativo.

Una red neural es un sistema de inteligencia artificial que imita el cerebro humano. Existen redes neurales simples, como un árbol de neuronas, hasta de gran escala, que se podrían asemejar al comportamiento de un cerebro. Las redes neurales de gran escala se usan hoy en día para sistemas de Deep Learning o aprendizaje profundo en procesos de inteligencia artificial extrayendo información de los datos insertados en la red. Un ejemplo de esto es AlphaGo de la compañía DeepMind.

El equipo de Francisco Ortega implementó un sistema de inteligencia artificial basado en un algoritmo de aprendizaje profundo en una FGPA (Field Programmable Gate Array) usando un esquema de multiplexación de capas para simular una arquitectura con múltiples capas, pero precisando los recursos hardware de una sola capa. Se consiguieron simular hasta un total de 127 capas ocultas con un máximo de 60 “neuronas” o nodos de una red neuronal artificial. Esto le permite al sistema procesar una cantidad ingente de información sin sobrecargar a un procesador que no puede realizar tareas paralelamente.

El equipo confirmó que el esquema propuesto, así como la implementación completa realizaba el proceso de aprendizaje de forma correcta. Además, se comparó los tiempos de cálculo del proceso de aprendizaje con los obtenidos en una Supercomputadora Multicore de propósito general, observándose una clara ventaja del sistema FGPA propuesto. Este es un paso importante hacia la implementación de redes neurales de aprendizaje profundo en este tipo de hardware, uno de los modelos existentes más novedosos y exitosos para la resolución de problemas de predicción que pueden ir desde controlar dispositivos hasta ganarle al campeón mundial de Go.