Construir una computadora que resuelve problemas prácticos a la velocidad de la luz

Hay un viejo dicho: cuando la única herramienta que tienes es un martillo, todos los problemas parecen un clavo.

A veces denominada «la ley del instrumento», esa idea de martillo y clavo es un escollo común en la investigación; cuando uno no está abierto a cuestionar sus propios métodos, puede perder una oportunidad de aprender y generar un impacto.

Para un grupo multidisciplinario de investigadores del Microsoft Research Lab en Cambridge, Reino Unido, la misión era construir un nuevo tipo de computadora que trascendiera las limitaciones de los sistemas binarios para resolver problemas complejos de manera rápida. Pero la voluntad de considerar grandes preguntas como «¿Cuál es la naturaleza de esta herramienta que diseñamos?» y «¿Cuál es el ‘clavo’ que podemos martillar con él?» fue clave para el éxito en la construcción de una computadora que puede resolver problemas prácticos a la velocidad de la luz.

Para empezar, construyeron la primera computadora óptica de 8 variables de este tipo. La computadora usa diferentes intensidades de luz para calcular en el mismo lugar donde se almacena la información. Los investigadores llamaron al dispositivo que construyeron AIM, por Analog Iterative Machine (Máquina Iterativa Analógica).

“Siempre sucede que, si haces algún avance tecnológico, por lo general al principio no estará claro cómo usarlo en la práctica”, dice Christos Gkantsidis, uno de los tres investigadores principales del proyecto. Estaba recordando cómo originalmente esperaban usar AIM como una herramienta para acelerar el aprendizaje automático. “Hay un poco de investigación para averiguar qué problemas prácticos se adaptan más naturalmente a ellos”.

Hace unos tres años, intentaron usar AIM para resolver un tipo de problema matemático en particular molesto pero importante: la optimización. Pronto, se dieron cuenta de que este nuevo dispositivo tenía el potencial de superar en gran medida la velocidad y la capacidad de los sistemas binarios utilizados en las computadoras típicas para resolver estos problemas de optimización.

“Básicamente, la optimización maneja el mundo tal como lo conocemos”, dice Gkantsidis. Los problemas de optimización subyacen en muchas de las estructuras más importantes de la sociedad, entre ellas: bancos y finanzas, atención médica, logística y manufactura.

La promesa de esta nueva computadora ha llevado a un acuerdo de investigación de un año con Barclays Bank PLC para investigar el potencial de su uso para resolver un problema del mundo real: cómo se liquidan lotes de transacciones en las cámaras de compensación utilizadas por la mayoría de los bancos. El número de transacciones asciende a cientos de miles diarios. Como la mayoría de los problemas de optimización, es la gran escala lo que frustra la capacidad de las computadoras binarias para resolverlo.

“Efectivamente, se necesitaría toda la vida del universo para evaluar todas las opciones posibles”, dice Lee Braine, director gerente e ingeniero distinguido de la oficina principal de tecnología de Barclays. En la actualidad, dice, se utilizan una variedad de atajos informáticos y matemáticos para hacer una estimación sofisticada de la forma más efectiva de liquidar lotes de decenas de miles de transacciones.

El equipo de AIM ya había ejecutado lo que ellos llaman una «versión de juguete» del problema de liquidación de transacciones planteado por Braine, y la computadora óptica lo resolvió con un 100% de precisión cada vez. Un esfuerzo de investigación anterior para resolver el mismo problema a través de la utilización de una tecnología diferente, solo dio en el blanco alrededor del 50% de las veces.

Braine es un científico informático que ha realizado una extensa investigación sobre optimización. Ahora él y el equipo de Microsoft han comenzado a diseñar una versión a mayor escala del problema a través de la utilización de más datos y variables. Esperan probarlo en una versión mejorada de AIM a finales de este verano. Braine dice que trabajar con el equipo AIM de Microsoft es una oportunidad única. “Es muy emocionante estar involucrado en algo que tiene el potencial de crear un cambio innovador”, dice. “Estar a la vanguardia de lo que es posible”.

El fin de la Ley de Moore

En 1965, el ingeniero (y fundador de Intel) Gordon Moore predijo que la cantidad de transistores en un circuito integrado se duplicaría cada año. Más tarde cambió su predicción a cada dos años y, durante décadas, la capacidad de las computadoras ha aumentado más o menos a ese ritmo, haciéndose, de manera progresiva, más rápidas y más pequeñas sin volverse más caras. Pero en la última década, la tendencia se ha estancado. Al mismo tiempo, la demanda de capacidad y velocidad informática no ha hecho más que crecer.

“El problema es que, una vez que pasas este punto de inflexión, se vuelve mucho más difícil mantener ese tipo de crecimiento”, dice Hitesh Ballani, uno de los otros investigadores de Microsoft que trabajan en la computadora óptica, y explica la urgencia de desarrollar tecnologías alternativas como óptica. “Debido a que ya habíamos trabajado en redes y almacenamiento óptico, fue bastante orgánico pasar a la computación óptica, aunque ese es el hueso más difícil de roer”.

El laboratorio de Cambridge ha tenido cierto éxito con el almacenamiento óptico. El equipo desarrolló un sistema de almacenamiento de enormes cantidades de datos incrustados en piezas de vidrio.

En una sala de reuniones del laboratorio, Ballani habla de manera rápida y alegre. Explica los conceptos básicos de la computación óptica y por qué el equipo contrató a un matemático para ayudar a desarrollar un nuevo tipo de algoritmo para resolver problemas de optimización. Usó un marcador rojo para cubrir una pizarra y luego dos juegos de ventanas del piso al techo con notas, ecuaciones y gráficos para ilustrar sus puntos.

“No es una computadora de propósito general”, dice. “Pero es muy, muy útil para acelerar aplicaciones donde estas operaciones matemáticas, álgebra lineal y álgebra no lineal, son los cuellos de botella operativos clave”.

Durante casi 50 años, la luz se ha utilizado para transmitir datos mediante cables de fibra óptica. Los fotones no interactúan entre sí, pero cuando pasan a través de un intermediario, como el sensor de la cámara de su teléfono inteligente, pueden, en cierto sentido, ser leídos.

En el caso de AIM, se pueden usar diferentes intensidades de luz para sumar y multiplicar, la base de los problemas de optimización. Al operar a la velocidad de la luz, las versiones avanzadas de AIM deberían poder trascender la velocidad de las computadoras binarias en unas cien veces, dice Ballani. Además, la computación y el almacenamiento ocurren en el mismo lugar en AIM, a diferencia de las computadoras binarias, que necesitan memoria en una ubicación y computación en otra para funcionar.

Abrir nuevos caminos en algoritmos

Como ejemplo del tipo de problema que AIM podría resolver, cita un intercambio con un investigador de salud de Microsoft sobre formas de reducir el tiempo necesario para realizar una resonancia magnética con el mismo nivel de resolución. (Por lo general, demoran entre 15 y 90 minutos, según el tamaño del área que se escanea). Algunas técnicas para acortar ese tiempo ya están en uso, pero implican compromisos. Ejecutar lo que ahora es una ecuación de optimización que consume mucho tiempo, en teoría traería más precisión y velocidad. “Si somos capaces de resolver el problema de optimización muy, muy rápido, sería posible realizar una resonancia magnética en menos de un minuto”, dice Ballani.

Francesca Parmigiani, la tercera investigadora principal de AIM, hizo su Doctorado en el campo de la comunicación óptica. Ahora ella está lidera el esfuerzo para construir la computadora óptica en sí. Ella y su pequeño equipo desarrollan en la actualidad una versión mejorada que operará con 48 variables, que amplía en gran medida la complejidad de los problemas que puede resolver la computadora óptica. Con el tiempo, esperan construir una versión de AIM con miles de variables.

El equipo de AIM utiliza componentes que ya existen y tienen un sistema de fabricación, desde cables de fibra óptica hasta moduladores y luces micro-LED, para crear y ahora actualizar AIM. Tal como existe ahora, la computadora está construida sobre un banco de metal del tamaño de una mesa de comedor, con marañas de cables que emergen de los moduladores y se conectan a lo que los investigadores a veces llaman un «proyector», similar a un proyector multimedia que almacena y calcula los datos.

“Cuando pasé a construir esta computadora, tuve que aprender mucho”, dice Parmigiani. “No tenía ni idea de optimización”.

El proceso de construcción de AIM y mapeo de problemas a su forma novedosa ha implicado una gran cantidad de toma y daca entre Parmigiani y el equipo óptico y analógico, que trabaja en el hardware, y Ballani, Gkantsidis y el matemático Kirill Kalinin, que trabajan sobre los algoritmos y el software que se ejecutará en ella. Los investigadores dicen que las innovaciones en matemáticas y algoritmos que han desarrollado son tan críticas como la propia máquina para resolver problemas de optimización. El nuevo tipo de algoritmo que se utiliza en AIM se conoce como QUMO, por optimización mixta cuadrática sin restricciones, y su uso con la computadora óptica es lo que hace que AIM sea única en el mundo.

“La historia ha cambiado a medida que avanzamos porque aprendemos qué tiene sentido y qué no”, dice Parmigiani. «Nos dimos cuenta de que en verdad necesitamos trabajar muy duro para descubrir cómo codiseñar el hardware con el algoritmo».

Trabajar ‘a la vanguardia’

El equipo de AIM ahora ha comenzado a centrar su atención en probar el dispositivo y el algoritmo QUMO con problemas propuestos por expertos de la industria y académicos. Han abierto un servicio a través de la utilización de un simulador AIM que resuelve grandes problemas de optimización, con una unidad de procesamiento de gráficos (Graphics Processing Unit – GPU, por sus siglas en inglés). El equipo quiere más casos de prueba para ayudarlos a conocer el potencial de la herramienta que han creado.

El problema de liquidación de transacciones propuesto por Lee Braine de Barclays es una prioridad.

El problema es difícil de resolver debido al volumen de transacciones. Braine dice que estas transacciones por lo general se describen como entrega contra pago. Un ejemplo simple es la entrega de un valor por un pago en efectivo: 100 acciones de una empresa por $1,000. El problema es que cada transacción y cada jugador está sujeto a varias restricciones, incluidas las regulaciones y los saldos disponibles.

La cantidad de este tipo de operaciones es asombrosa. Citó el ejemplo de una sola cámara de compensación, DTCC, cuyas subsidiarias procesaron transacciones por valor de 2,500 billones de dólares en 2022. (Un cuatrillón equivale a 1000 billones).

Debido a que la mayoría de los grandes bancos utilizan cámaras de compensación, la investigación tiene el potencial de beneficiar a todo el sistema bancario. Los resultados de la prueba de un año se compartirán en un trabajo de investigación.

Braine dice que este es un buen caso de prueba, pero si funciona, podría allanar el camino para usar la computación óptica para abordar otros problemas en el mundo bancario, como la detección de fraudes.

Él dice que el proyecto le habla al investigador curioso que hay en él. “En cierto modo, puede remontarse a esos días en la academia de hacer el doctorado, donde estás buscando algo a la vanguardia”, dice. “Ese punto de operar en el límite, buscando empujar el sobre y contribuir a él de una manera pequeña. Es muy emocionante.»

Ant Rowstron, un ingeniero distinguido de Microsoft y líder del equipo, dice que ha sido gratificante ver a su grupo multidisciplinario trabajar juntos para inventar un nuevo tipo de herramienta informática, superar los contratiempos y encontrar una dirección prometedora para usarla.

“Parte de mi trabajo es tratar de entender cuándo estamos ante algo nuevo y apoyar a las personas con el riesgo que están tomando”, dice. “Teníamos la creencia de que si lo construíamos, encontraríamos la manera de llevarlo adelante. Y ahora tenemos un espacio de problemas importante donde hay una necesidad apremiante y donde nuestra computadora realmente brilla”.

Foto superior: Francesca Parmigiani con AIM, o máquina iterativa analógica. Es una computadora «óptica» que utiliza diferentes intensidades de luz para calcular datos. Foto de Chris Welsch para Microsoft.