Empezando con ruido aleatorio

Los modelos de difusión, como Midjourney o Stable Diffusion de Stability, nos permiten generar imágenes de calidad simplemente introduciendo un prompt. Eso es lo que vemos desde fuera, pero internamento los modelo de difusión crean imágenes a partir de ruido aleatorio. Imagina que esto es el primer paso para crear la imagen.

¿Qué es el proceso de difusión?

Si tienes una imagen clara, como la foto de un gato, y le añades ruido, se vuelve borrosa. A eso le llamamos difusión.

Creando imágenes al invertir el proceso

Aquí es donde los modelos de difusión muestran su poder. La idea es simplemente hacer lo opuesto a la difusión:

1. El modelo observa la imagen ruidosa y piensa en cómo aclararla un poco.
2. Repite este paso hasta que aparezca una imagen reconocible.

¿Cómo se entrena al modelo?

Para que el modelo pueda transformar el ruido en imágenes, necesita aprender.

¿Y cómo se hace esto?

Mostrándole muchas imágenes para que comprenda los patrones y usando matemáticas avanzadas para producir imágenes similares.

Generación de imágenes únicas

Como el ruido inicial es aleatorio, las imágenes que produce el modelo son diferentes cada vez. Además, el modelo hace predicciones basadas en este ruido en cada paso, dirigiendo la formación de la imagen. Es como tener bloques de construcción únicos y un nuevo diseño cada vez que quieres construir algo.

Por lo tanto, el modelo de difusión no funciona como un collage de imágenes de muestra; en cambio, depende mucho de las matemáticas.

Resumen del proceso

Un modelo de difusión es un tipo de inteligencia artificial que puede crear imágenes nuevas y realistas. Lo hace introduciendo ruido en una imagen y luego limpiando ese ruido poco a poco. En resumen, los modelos de difusión crean imágenes nuevas introduciendo orden al ruido de manera iterativa, guiados por una semilla conceptual.

Pero estos modelos de difusión no serían posibles sin una red neuronal de procesamiento en paralelo.

Funcionamiento de las redes neuronales

Redes Neurales

Las redes neuronales artificiales, que se usan en los modelos de difusión, tienen procesamiento paralelo. Una red neuronal consta de nodos (neuronas artificiales) conectados entre sí a través de enlaces (pesos sinápticos). Cada nodo realiza una simple operación matemática y envía el resultado a los nodos siguientes.

Lo interesante es que muchos nodos pueden trabajar al mismo tiempo. No tienen que esperar el resultado de otros nodos, sino que realizan sus propias operaciones de forma independiente. Gracias a esto, las redes neuronales son extremadamente rápidas.

Niveles de procesamiento paralelo

El procesamiento paralelo se da en tres niveles:

1. Nivel de nodo: Cada nodo opera independientemente de los demás.
2. Nivel de capa: Una red neuronal consiste en múltiples capas de nodos. Estas capas pueden trabajar en paralelo entre sí.
3. Nivel de unidad: Una sola imagen se procesa en paralelo a través de varias unidades en una capa. Cada unidad es responsable de detectar un patrón particular.

Durante el entrenamiento, los pesos de los enlaces entre los nodos se ajustan mediante un algoritmo como la retro-propagación para que la red aprenda a detectar patrones relevantes en los datos de entrada.

Uso de procesadores paralelos

Cuando se implementan en hardware, las redes neuronales pueden aprovechar procesadores paralelos como las GPU y las TPU, que dividen los cálculos entre múltiples núcleos. Esto permite procesar datos a velocidades extremadamente altas.

Las principales ventajas de usar procesadores paralelos como GPU y TPU para implementar redes neuronales son:

1. Mayor velocidad: Estos procesadores pueden realizar múltiples cálculos matemáticos al mismo tiempo, lo que acelera enormemente el entrenamiento y la inferencia de redes neuronales. Esto reduce drásticamente los tiempos de entrenamiento, de horas a minutos.
2. Ahorro de energía: Por unidad de poder de cálculo, los procesadores paralelos utilizan menos energía que los procesadores tradicionales. Esto reduce el costo y la huella de carbono de las operaciones de IA a gran escala.
3. Aprovechamiento completo del hardware: Las redes neuronales pueden aprovecharcompletamente la capacidad de cálculo de los procesadores paralelos. Esto significa que se pueden realizar más cálculos por cada ciclo de reloj.

Resumen

En resumen, los modelos de difusión como Midjourney crean imágenes a partir de ruido aleatorio utilizando un proceso de difusión inversa. Este proceso se lleva a cabo mediante redes neuronales que se benefician del procesamiento paralelo, lo que permite generar imágenes de alta calidad de manera rápida y eficiente. Al utilizar hardware especialmente diseñado para el procesamiento paralelo, como las GPU y las TPU, el proceso de generación de imágenes se vuelve aún más rápido y eficiente energéticamente.