La IA no convencional ha presentado un modelo experimental de generación de imágenes que reemplaza la computación convencional con muchos cálculos por una red simulada de osciladores físicos. La startup dice que el enfoque subyacente podría llegar a utilizar hasta 1.000 veces menos energía que los sistemas de IA actuales.
El modelo, llamado Un-0, es la primera prueba de concepto de la empresa. La IA no convencional fue fundada por investigadores como el profesor asociado del MIT Michael Carbin, la profesora asistente de Stanford Sara Achour, el ex ingeniero de Google MeeLan Lee y el ex jefe de IA de Databricks, Naveen Rao. El equipo publicó detalles técnicos el 25 de junio y lanzó el modelo a través de GitHub.
La mayoría de las computadoras realizan cálculos cambiando rápidamente miles de millones de transistores entre estados encendidos y apagados. Los generadores de imágenes basados en modelos de difusión comienzan con el ruido visual y calculan repetidamente lo que se debe eliminar para producir la imagen solicitada, normalmente ejecutando entre 20 y 50 pasos de refinamiento.
En cambio, Un-0 representa información a través de osciladores, sistemas físicos que producen ondas repetidas. Los osciladores conectados se influyen naturalmente entre sí hasta que sus ritmos comienzan a alinearse, un proceso descrito por el modelo de Kuramoto.
Para generar una imagen, el sistema asigna diferentes patrones de fase del oscilador a categorías como zapatos o trenes. Un grupo más pequeño configurado con el patrón deseado actúa como indicador y atrae gradualmente la red más amplia de osciladores colocados aleatoriamente hacia la misma disposición.
Luego, el sistema registra las fases finales de los osciladores como una cuadrícula numérica. Un decodificador independiente convierte esa cuadrícula en valores de píxeles para producir la imagen.
La IA no convencional sostiene que el hardware del oscilador físico podría consumir mucha menos electricidad porque la corriente fluiría continuamente a través de circuitos cerrados en lugar de ser forzada a través de billones de operaciones de conmutación de transistores. El modelo Un-0 existente aún no ofrece esos ahorros porque simula los osciladores en hardware convencional. En última instancia, la empresa planea desarrollar chips dedicados basados en osciladores.
Los investigadores probaron Un-0 utilizando los conjuntos de datos de imágenes CIFAR-10 e ImageNet 64 × 64. En CIFAR-10, su puntuación de distancia inicial de Fréchet mejoró de 11,01 con 1.024 osciladores a 8,76 con 4.096 osciladores. Las puntuaciones más bajas indican que las imágenes generadas se parecen más a los datos de referencia.
En ImageNet 64×64, la puntuación mejoró de 8,41 con 6.656 osciladores a 6,74 con 16.384 osciladores. Los investigadores dijeron que los resultados eran comparables a los de los primeros generadores de imágenes como BigGAN de Google y iDDPM de OpenAI, aunque advirtieron que las cifras deberían tratarse como puntos de referencia en lugar de mediciones directamente equivalentes.
El equipo reconoció que los generadores de imágenes actuales aún producen una mejor calidad general y utilizan sus parámetros de manera más eficiente. La IA no convencional publicó los pesos del modelo, el código de entrenamiento y los scripts de ablación para que otros investigadores puedan probar el enfoque y ejecutar sus propias simulaciones.
