Los cálculos que se requieren para hallar nuevos fármacos resultan inimaginables para la mente humana: se estima que podría haber más moléculas potenciales que deberían evaluarse que átomos en el sistema solar. Una búsqueda tan vasta requeriría mucho tiempo con los actuales sistemas informáticos, pero esto está cambiando gracias a una nueva generación de hardware diseñado en el Laboratorio Nacional de Argonne, en Chicago.

Básicamente, el mayor avance lo han producido los algoritmos de aprendizaje profundo o deep learning (una clase de algoritmos ideados para el aprendizaje automático que tienen más capas). Estos algoritmos resultan óptimos a la hora de encontrar rápidamente patrones en una gran cantidad de datos. Ahora, junto con estas mejoras de software, nuevos diseños de hardware multiplicarán exponencialmente las posibilidades. Diseños como los que Argonne ha anunciado que ya está probando en su nuevo ordenador de la startup Cerebras y que prometen acelerar el entrenamiento de los algoritmos en varios órdenes de magnitud. Este ordenador es parte de una nueva generación de hardware especializado de inteligencia artificial

Actualmente, los chips más comunes utilizados en el aprendizaje profundo se conocen como unidades de procesamiento gráfico (GPU). Estos chips se han usado tradicionalmente en videojuegos y producción de gráficos generados por ordenador, por ello el mayor escollo de los GPU es que son de propósito general: si bien han impulsado la revolución de inteligencia artificial de esta década, sus diseños no están optimizados para tal tarea.

Esta ineficiencia en el diseño del hardware, pues limita la velocidad a la que los chips pueden ejecutar algoritmos de aprendizaje profundo, además requiere enormes cantidades de energía en el proceso. También muchos de los chips especializados están optimizados para aplicaciones comerciales de aprendizaje profundo, como la visión por computadora y el procesamiento de lenguaje natural, pero pueden no funcionar tan bien cuando se manejan los tipos de datos propios de la investigación científica.

En comparación, los nuevos diseños de arquitecturas de chips, como el presentado por Argonne, tienen el potencial de entrenar algoritmos de aprendizaje profundo hasta 1000 veces más rápido que las GPU, y empleando mucho menos energía en el proceso.

Por el momento, gracias al tamaño del chip de Cerebras, que es más grande que un iPad y dispone de millones de transistores para realizar grandes cantidades de cálculos, no es necesario conectar varios procesadores más pequeños, lo que enlentecería el entrenamiento del modelo. En las pruebas ya se ha logrado reducir así el tiempo de entrenamiento de algoritmos de semanas a horas. Y lo más interesante es que Argonne ha estado probando el sistema en una investigación para el desarrollo de nuevos fármacos contra el cáncer.

El objetivo es diseñar un modelo de aprendizaje profundo que pueda predecir cómo un tumor respondería a un medicamento o una combinación de medicamentos. Ello implicaría desarrollar un modelo de IA para predecir las propiedades de millones de combinaciones moleculares.}

Fuente: Muy Interesante