En los últimos años, con el rápido desarrollo de la tecnología de aprendizaje automático, la inteligencia artificial ha mostrado un gran potencial en múltiples campos. Sin embargo, los problemas de privacidad y seguridad de datos también han surgido, especialmente en industrias que involucran información sensible, como la atención médica y las finanzas. Para resolver este problema, investigadores de la Universidad de Tsinghua, el Instituto de Investigación de China Mobile y la Universidad de Hebei han desarrollado conjuntamente un nuevo chip de cómputo en memoria, diseñado para mejorar la eficiencia y seguridad de los métodos de aprendizaje federado.

El aprendizaje federado, como un método innovador de aprendizaje automático, permite que múltiples usuarios o partes colaboren en el entrenamiento de redes neuronales compartidas sin intercambiar datos originales. Este método protege la privacidad de datos mientras aplica efectivamente la tecnología de inteligencia artificial. Sin embargo, las implementaciones tradicionales de aprendizaje federado enfrentan problemas de tiempo y consumo de energía en el cómputo local en el borde, como la generación de claves, la generación de polinomios de error y grandes cantidades de cálculos.

Para abordar estos desafíos, los investigadores propusieron una nueva arquitectura de chip de cómputo en memoria basada en memristores. El memristor, como un componente electrónico no volátil, puede realizar tanto cómputo como almacenamiento de información, ajustando su resistencia según la corriente que ha fluido en el pasado. Xueqi Li, Gao Bin y sus colegas detallaron el diseño de este chip en su artículo, señalando que puede reducir significativamente el movimiento de datos, lo que disminuye la energía requerida para el entrenamiento conjunto de redes neuronales artificiales en aprendizaje federado.

El chip no solo integra funciones físicamente in clonables para generar claves seguras en el proceso de comunicación encriptada, sino que también está equipado con un generador de números aleatorios verdaderos, proporcionando números impredecibles para la encriptación. Los investigadores validaron la efectividad del chip a través de un estudio de caso, donde cuatro participantes entrenaron conjuntamente una red de memoria a corto y largo plazo de dos capas con 482 pesos para la predicción de sepsis. Los resultados de las pruebas muestran que la precisión del chip es solo 0,12% inferior al aprendizaje centralizado en software, mientras reduce significativamente el consumo de energía y tiempo.

Esta investigación resalta el gran potencial de la arquitectura de cómputo en memoria basada en memristores para mejorar la eficiencia del aprendizaje federado y la protección de privacidad. En el futuro, con el avance continuo de la tecnología, este chip podría colaborar con otros algoritmos de aprendizaje profundo en más tareas prácticas, impulsando la aplicación amplia de la tecnología de inteligencia artificial.