Maschinelles Lernen und künstliche Intelligenz verbreiten sich immer weiter und sind von Computer Vision bis hin zur Textgenerierung präsent. Die dafür notwendigen Prozesse erfordern jedoch komplexe neuronale Netze und einen exponentiell hohen Energieverbrauch. Aufgrund des steigenden Energiebedarfs für das Training werden diese Technologien zunehmend unhaltbar. Um diesen Bedarf zu senken, haben Forscher einen Weg gefunden, wie neuronale Netze maschinelles Lernen nachhaltiger machen können.
Forscher an der Max-Planck-Institut für die Physik des Lichts ihre Forschung vorlegen, die eine einfache Methode zur Reduzierung des Energieverbrauchs durch KI. Angesichts des Bedarfs an einer kosten- und energieeffizienteren Alternative ist neuromorphes Computing erforderlich. Neuromorphes Computing ersetzt die neuronalen Netze unserer Computer durch physikalische neuronale Netze. Dadurch werden mathematische Operationen physikalisch schneller und energieeffizienter ausgeführt.
Challenges
- Zur Durchführung der notwendigen komplexen mathematischen Berechnungen sind hohe Laserleistungen erforderlich.
- Die Nichtverfügbarkeit allgemeiner Trainingsmethoden für solche physischen neuronalen Netzwerke.
Direktor am Institut, Florian Marquardt erklärt, „Normalerweise wird die Dateneingabe in das Lichtfeld eingeprägt. Mit unseren neuen Methoden schlagen wir jedoch vor, die Eingabe durch eine Änderung der Lichtdurchlässigkeit einzuprägen.“
Highlights
- Photonik und Optik gelten als vielversprechende Plattformen für neuromorphes Computing da sie den Energieverbrauch auf ein Minimum reduzieren.
- Es ist möglich, Berechnungen mit sehr hoher Geschwindigkeit parallel durchzuführen.
- Beide Herausforderungen können mit der von den Forschern vorgeschlagenen neuen Methode überwunden werden, da das Eingangssignal auf beliebige Weise verarbeitet wird.
Das Lichtfeld verhält sich am einfachsten, wenn sich gegenseitig störende Einflüsse nicht beeinflussen. Daher ist es mit dem neuen Ansatz möglich, komplizierte physikalische Interaktionen zu vermeiden um die erforderlichen mathematischen Funktionen auszuführen.
In den Worten von Clara Wanjura, sagte der Erstautor der Studie, „Gleichzeitig ist es dadurch möglich, alle für das Training relevanten Informationen zu messen.“
Auch einer anderen Studie zufolge Neue Computerchips können die Energieeffizienz von KI steigern,
Fazit
Mit verschiedenen Demonstrationen planen die Forscher, mit verschiedenen experimentellen Gruppen zusammenzuarbeiten, um die Implementierung ihrer Methode unter verschiedenen Bedingungen zu untersuchen. Der Ansatz, dass neuronale Netze maschinelles Lernen nachhaltiger machen können, wenn er erfolgreich ist, wird dieses System für neuromorphe Geräte können zum physischen Training einer breiten Palette von Plattformen verwendet werden.
Quelle: Vollständig nichtlineares neuromorphes Computing mit linearer Wellenstreuung
