La Universidad de Málaga impulsa una inteligencia artificial que reduce un 98% el consumo energético

La Universidad de Málaga (UMA) avanza en el desarrollo de una inteligencia artificial más sostenible. Un equipo internacional de investigadores de la institución malagueña y de la Universidad de Saitama, en Japón, ha analizado de forma conjunta el consumo energético, el tiempo de ejecución y el uso de memoria de distintos algoritmos de optimización y aprendizaje automático.

Los resultados del estudio, publicados en la revista científica Future Generation Computer Systems, revelan que el empleo de modelos sustitutos basados en redes neuronales permite reducir en más de un 98% el consumo de energía y el tiempo de cálculo frente a los simuladores informáticos tradicionales.

La investigación sienta así las bases de lo que los autores denominan Optimización Verde o Green Optimization: algoritmos capaces de ofrecer soluciones eficaces sin perder de vista su impacto energético y medioambiental.

Redes neuronales como “atajos” para reducir el cálculo

Los algoritmos de optimización se utilizan para encontrar la mejor solución posible en problemas con un gran número de variables. En el tráfico urbano, por ejemplo, permiten estudiar cómo afecta cada cambio en la programación de los semáforos a la circulación de una ciudad.

El principal inconveniente es que cada posible solución debe evaluarse mediante complejos simuladores informáticos. Este proceso concentra buena parte del tiempo de ejecución y del gasto energético de los equipos.

Para reducir ese coste, Enrique Alba y Gabriel Luque, investigadores del Instituto de Tecnologías e Ingeniería del Software de la UMA (ITIS), junto al científico japonés Tomohiro Harada, proponen utilizar redes neuronales que funcionan como modelos subrogados.

Estas redes actúan como una especie de atajo informático: estiman el resultado de una simulación sin necesidad de ejecutarla por completo. El estudio analiza, además, si el ahorro obtenido compensa la energía necesaria para entrenar previamente esos modelos.

La tecnología se ha validado con datos del tráfico en las ciudades de Málaga, Estocolmo y París

Pruebas con tráfico real en Málaga, París y Estocolmo

El equipo aplicó la metodología a configuraciones reales de tráfico con el objetivo de reducir los tiempos de espera y mejorar la fluidez de la circulación. Para ello utilizó datos de Málaga, París y Estocolmo, tres ciudades con redes viarias de distinta complejidad.

Los resultados muestran que los modelos de inteligencia artificial bien entrenados consiguen disminuir en más de un 98% la energía empleada para evaluar soluciones. El tiempo de ejecución también se reduce en torno al 98%.

El trabajo advierte, sin embargo, de que la eficiencia no puede medirse únicamente en términos de velocidad o consumo eléctrico. Aunque cada evaluación es mucho más ligera, el algoritmo completo puede necesitar más memoria para almacenar y actualizar la red neuronal.

Por este motivo, los investigadores de la UMA defienden una evaluación global que tenga en cuenta de forma simultánea la energía, el tiempo de cálculo y el uso de memoria.

El estudio también concluye que las redes neuronales entrenadas con una mayor cantidad de datos pueden ahorrar más energía a largo plazo. A medida que aprenden, estas redes llegan a desactivar determinadas conexiones matemáticas, lo que reduce el esfuerzo que debe realizar el procesador.

Un reentrenamiento continuo para ganar eficiencia

Los beneficios de estos modelos no son automáticos, ya que su entrenamiento inicial también requiere energía. La investigación compara dos estrategias: entrenar la red una sola vez antes de iniciar la optimización o actualizarla de forma continua conforme aparecen nuevas soluciones.

Los resultados indican que el reentrenamiento adaptativo ofrece un mejor equilibrio entre precisión, consumo energético y tiempo de cálculo, especialmente en escenarios complejos que evolucionan durante el proceso de búsqueda.

Aunque el análisis se ha centrado en los sistemas semafóricos, sus conclusiones pueden aplicarse a otros ámbitos como la logística, la planificación industrial, las ciudades inteligentes o la computación en dispositivos locales.

La investigación plantea, en definitiva, un cambio en la forma de medir la eficiencia de los algoritmos. Ya no basta con valorar cuánto tardan en encontrar una solución: también es necesario estudiar cuánta energía consumen y cuál es su impacto ambiental.

“Hasta ahora, la prioridad de la informática ha sido casi exclusivamente la velocidad de procesamiento y la precisión de la respuesta”, explican los profesores de la Universidad de Málaga Gabriel Luque y Enrique Alba.

“Con este trabajo demostramos que la eficiencia energética debe ser un criterio de diseño fundamental y proponemos un cambio de paradigma en el que los algoritmos no solo sean inteligentes, sino también respetuosos con el medio ambiente”, añaden los investigadores.