El universo de las Deep Neural Networks (DNNs) es impresionante, equiparable a supercerebros computacionales. Pero, ¿qué sucede cuando se llega a los límites actuales de estas tecnologías? Pues bien, en el MIT se han propuesto superar esos confines.

Las redes neuronales profundas no son solo sistemas numéricos; en realidad, replican la manera en que opera nuestro cerebro, lo que les permite resolver problemas complicados que desafían a los programas tradicionales. Desde identificar imágenes hasta simular conversaciones humanas, estas redes están detrás de muchas de las maravillas tecnológicas que vemos hoy en día. Sin embargo, alcanzar tal grado de perfección tiene su precio: un consumo energético altísimo y una dependencia de grandes centros de datos.

MIT al rescate con su tecnología óptica

Afortunadamente, los investigadores de MIT no son de los que se rinden fácilmente. Han creado un sistema que, no solo tiene el potencial de superar a programas como ChatGPT, sino que además consume muchísimo menos energía que los superordenadores actuales. ¿Su secreto? Usar el movimiento de la luz en lugar de electrones. Gracias a cientos de láseres de escala micrométrica, han logrado una eficiencia energética y una densidad computacional que supera todo lo que hemos visto hasta ahora. Imagina esto: smartphones corriendo programas que, hoy por hoy, solo pueden ejecutarse en enormes data centers. ¡Impresionante!

¿Qué nos depara el futuro con estas redes?

Dirk Englund, el líder del proyecto en MIT, resalta que, aunque las supercomputadoras de hoy en día son asombrosas, aún hay barreras económicas y tecnológicas que limitan el crecimiento de sistemas como ChatGPT. Sin embargo, con la tecnología que están desarrollando, podríamos presenciar modelos de machine-learning mucho más avanzados en el futuro cercano. Aunque aún están descubriendo las capacidades exactas que esto podría desbloquear, no hay duda de que será revolucionario.

Sin embargo, no todo es color de rosa

Como en todo, hay desafíos que superar. Las redes neuronales ópticas actuales, por ejemplo, son ineficientes al convertir datos basados en energía eléctrica en luz. A pesar de ser excelentes en cálculos lineales, enfrentan limitaciones en operaciones no lineales. Queda claro que aún hay un camino por recorrer, pero el avance ya es prometedor.