211service.com
El reconocimiento de patrones estocásticos supera drásticamente a las técnicas convencionales
La computación estocástica es una de las pequeñas joyas de la lógica. Su ventaja es esencialmente que hace que la multiplicación sea tan fácil como la suma.
Eso es significativo. Imagínese sumar 0.4397625 y 0.8723489. Es un cálculo que podrías hacer en tu cabeza en unos segundos. Pero imagina multiplicar esos dos números en su lugar. Eso sigue siendo algo que podrías hacer en tu cabeza, pero apuesto a que te sentirías más feliz si buscas una calculadora.
Las computadoras convencionales tienen un problema similar. Sumar números es sencillo, pero multiplicarlos es mucho más intensivo.
Las computadoras estocásticas cambian todo esto. Eso es porque representan números usando probabilidad: como un flujo de bits con cierta probabilidad de ser un número.
Por ejemplo, un flujo de bits que representa 0,25 puede contener tres 0 por cada 1, aunque la distribución real de 0 y 1 sea aleatoria.
La gran ventaja proviene de las leyes de la probabilidad, que convierten la suma en multiplicación: las posibilidades de que dos eventos ocurran juntos es igual a sus probabilidades multiplicadas. Eso significa que las computadoras estocásticas pueden hacer multiplicaciones con puertas AND simples.
Otra ventaja es que las computadoras estocásticas son increíblemente resistentes al ruido. Voltee algunos bits en un cálculo estocástico y lo más probable es que el resultado no se vea afectado por completo.
Por supuesto, hay una salvedad. Solo es posible 'leer' un número probabilístico realizando muchas mediciones. Pero en ciertas aplicaciones eso no importa. Cuando funciona, la computación estocástica puede tener un éxito espectacular.
Hoy, Vincent Canals y sus compañeros de la Universidad de las Islas Baleares en Palma frente a las costas de España, revelan un buen ejemplo.
Estos chicos han aplicado la computación estocástica al proceso de reconocimiento de patrones. El problema aquí es comparar una señal de entrada con una señal de referencia para determinar si coinciden.
En el mundo real, por supuesto, las señales de entrada siempre son ruidosas, por lo que un sistema que puede hacer frente al ruido tiene una ventaja obvia.
Canals y compañía utilizan su técnica para ayudar a un vehículo autónomo a navegar a través de un entorno simple para el que tiene un mapa interno. Para esta tarea, debe medir la distancia a las paredes que lo rodean y determinar dónde está en el mapa. Luego calcula una trayectoria que lo lleva a su destino.
Estos muchachos dicen que en varias pruebas, su vehículo calculó la ruta óptima que necesitaba tomar (aunque no se preocupan por los detalles sobre cómo se hizo, lo cual es una omisión potencialmente significativa).
Pero, ¿cuánto mejor es el enfoque de la computación estocástica en comparación con uno convencional? Canals y compañía dicen que un microprocesador convencional opera 70 veces más rápido que un chip estocástico, pero solo puede procesar señales en secuencia.
Por el contrario, el chip estocástico puede procesar las señales en paralelo. Eso hace que sea hasta tres órdenes de magnitud más rápido que un microprocesador convencional para resolver la tarea de reconocimiento de patrones. Esa es una mejora significativa.
Aunque la idea de la computación estocástica existe desde hace medio siglo, los intentos de explotar apenas han comenzado. Claramente, queda mucho trabajo por hacer. Y dado que una línea de pensamiento es que el cerebro podría ser una computadora estocástica, al menos en parte, podría haber tiempos emocionantes por delante.
Ref: arxiv.org/abs/1202.4495 : Análisis de reconocimiento de patrones basado en el estocástico