[ad_1]
Un investigador de la Universidad de Texas en Arlington recibió una subvención de tres años de alrededor de $ 600,000 de la Fundación Nacional de Ciencias para desarrollar tecnología de inteligencia artificial (IA) en tiempo real que sea más rápida y más eficiente energéticamente.
Qilian Liang, profesor de ingeniería eléctrica, desarrollará aceleradores de hardware de aprendizaje profundo utilizando herramientas, circuitos y algoritmos para crear modelos de IA generativos profundos con un diseño y una arquitectura más simples. La IA generativa profunda crea modelos escalables de datos complicados, incluidas imágenes, texto y datos, utilizando estadísticas y probabilidades. Se espera que la investigación de Liang conduzca a aumentos de órdenes de magnitud en la velocidad y el consumo de energía.
«Abordaremos la arquitectura, el hardware y el software para hacer que el proceso de la tecnología de IA sea mucho más rápido para que pueda implementarse en tiempo real y aumentar su eficiencia energética», dijo Liang. “Más allá de las aplicaciones informáticas obvias, esta tecnología también podría convertirse en robótica, conducción autónoma e incluso en el proceso de creación de comunicados de prensa en tiempo real”.
Liang optimizará la arquitectura de diseño de hardware para acelerar el procesamiento de datos. Además, para ahorrar dinero y permitir un procesamiento más rápido, diseñará circuitos y hardware más eficientes y desarrollará un algoritmo para ver si la implementación de IA puede hacerse más asequible.
El grupo se centrará en estos tres tipos diferentes de modelos generativos de profundidad:
- Para mejorar el reconocimiento de imágenes, el modelado generativo basado en Vision Transformer aplica una arquitectura Transformer a áreas seleccionadas de una imagen. AI usará menos tiempo y energía si puede comprender su entorno en lugar de tener que examinar una gran cantidad de fotos.
- El modelado generativo enmascarado reduce la cantidad de datos que la IA tiene que filtrar ocultando datos que no son útiles para la tarea en cuestión. La información ofuscada luego se puede recuperar y usar para llenar los vacíos, lo que podría permitir una toma de decisiones más temprana.
- El modelado generativo multimodal clasifica simultáneamente los datos multimodales para determinar qué es útil y qué no, utilizando dos tipos diferentes de modelos.
«A medida que avanza la tecnología de IA, la necesidad de hacerla más rápida y con mayor eficiencia energética se vuelve cada vez mayor», dijo Diana Huffaker, presidenta del Departamento de Ingeniería Eléctrica. «El trabajo del DR. Liang permitirá una mayor innovación en el futuro al superar algunas de las limitaciones actuales de esta tecnología».
[ad_2]