Un equipo internacional coliderado por el Instituto de Tecnologías e Ingeniería del Software de la Universidad de Málaga (UMA) ha validado el uso de redes neuronales para crear algoritmos de optimización con menor consumo energético. La tecnología, probada con datos reales de tráfico de Málaga, Estocolmo y París, permite reducir más de un 98% la energía asociada a la evaluación de soluciones y acortar en torno a un 98% el tiempo de ejecución frente a simuladores tradicionales.
El trabajo, desarrollado por investigadores de la Universidad de Málaga y la Universidad de Saitama, en Japón, analiza de forma conjunta el coste energético, el tiempo de cálculo y el uso de memoria de distintos algoritmos de optimización y aprendizaje. La investigación se orienta a una inteligencia artificial más sostenible en ámbitos como la movilidad, la logística, la industria y la gestión de ciudades inteligentes.
Los resultados se han publicado en la revista Future Generation Computer Systems y plantean las bases de la denominada Optimización Verde o Green Optimization. El enfoque consiste en utilizar modelos sustitutos basados en redes neuronales para reemplazar simulaciones computacionalmente costosas y reducir el gasto asociado al proceso de búsqueda de soluciones.
Redes neuronales para reducir el coste energético de los simuladores
Los algoritmos de optimización se emplean para localizar la mejor respuesta posible en problemas con muchas variables. En el tráfico urbano, por ejemplo, estos sistemas pueden evaluar cómo afectan distintos cambios en los semáforos a los tiempos de espera y a la fluidez de la circulación mediante simuladores informáticos complejos.
La fase de evaluación es la que concentra buena parte del tiempo de ejecución y del consumo eléctrico de los equipos. Para abordar ese punto, Enrique Alba y Gabriel Luque, investigadores del Instituto de Tecnologías e Ingeniería del Software de la Universidad de Málaga, junto con Tomohiro Harada, de la Universidad de Saitama, proponen redes neuronales que funcionan como atajos o modelos subrogados.
Estos modelos permiten estimar el resultado de una simulación sin ejecutarla por completo. La investigación examina si el ahorro conseguido en cada evaluación compensa el coste energético requerido para entrenar previamente la red neuronal.
Pruebas con tráfico urbano en Málaga, París y Estocolmo
El equipo aplicó la metodología a configuraciones reales de tráfico con el objetivo de minimizar los tiempos de espera y aumentar la fluidez de la circulación. Para ello utilizó datos de Málaga, París y Estocolmo, tres ciudades con niveles de complejidad diferentes en sus sistemas de movilidad.
El estudio indica que los modelos de inteligencia artificial correctamente entrenados reducen más de un 98% el consumo energético vinculado a la evaluación de soluciones respecto a los simuladores convencionales. También disminuyen el tiempo de ejecución en una proporción aproximada del 98%.
La investigación advierte, no obstante, de que la eficiencia debe medirse de forma global. Aunque cada evaluación individual resulta mucho más ligera, el algoritmo completo puede requerir más memoria para almacenar y actualizar la red neuronal, por lo que energía, tiempo y memoria deben analizarse de manera simultánea.
Otro resultado destacado es que las redes neuronales entrenadas con más datos pueden generar mayores ahorros energéticos a largo plazo. Según el trabajo, estos modelos aprenden a desactivar ciertas conexiones matemáticas, lo que produce ceros y reduce el esfuerzo del procesador durante el cálculo.
Reentrenamiento adaptativo y aplicaciones de la Green AI
El estudio compara dos estrategias: entrenar el modelo una sola vez antes de iniciar la optimización o incorporar un reentrenamiento continuo a medida que aparecen nuevas soluciones. Los resultados apuntan a que el reentrenamiento adaptativo ofrece un mejor equilibrio entre precisión, consumo energético y tiempo de cálculo en escenarios complejos donde el problema evoluciona durante la búsqueda.
Aunque el caso de estudio se centra en sistemas semafóricos, los autores señalan que las conclusiones de esta inteligencia artificial verde o Green AI pueden trasladarse a la planificación industrial, la logística y la evaluación de la computación en local en el propio dispositivo.
El estudio plantea que la eficiencia de los algoritmos no debería medirse solo por la rapidez con la que alcanzan una solución, sino también por la energía consumida y su impacto ambiental.