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 des Max-Planck-Instituts für die Physik des Lichts präsentieren ihre Forschungsergebnisse, die eine einfache Methode zur Reduzierung des Energieverbrauchs von KI aufzeigen. Angesichts des Bedarfs an einer kostengünstigeren und energieeffizienteren Alternative ist neuromorphes Rechnen erforderlich. Neuromorphes Rechnen ersetzt die neuronalen Netze unserer Computer durch physische 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.
Der Direktor des Instituts, Florian Marquardt, erklärt: „Normalerweise werden die Eingangsdaten in das Lichtfeld eingeprägt. Bei unseren neuen Methoden schlagen wir jedoch vor, die Eingangsdaten durch Veränderung der Lichttransmission 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 die einzelnen Teilchen nicht gegenseitig beeinflussen. Daher ist es mit dem neuen Ansatz möglich, komplizierte physikalische Wechselwirkungen zu vermeiden und die erforderlichen mathematischen Funktionen auszuführen.
Clara Wanjura , die Erstautorin der Studie, sagte: „Gleichzeitig ermöglicht dies die Messung aller relevanten Informationen für das Training.“
Laut einer anderen Studie können neue Computerchips die Energieeffizienz von KI steigern.
Fazit
Anhand verschiedener Demonstrationen planen die Forscher die Zusammenarbeit mit unterschiedlichen Forschungsgruppen, um die Implementierung ihrer Methode unter verschiedenen Bedingungen zu untersuchen. Der Ansatz, dass neuronale Netze maschinelles Lernen nachhaltiger gestalten können, ermöglicht es, im Erfolgsfall, mit diesem System für neuromorphe Geräte eine breite Palette von Plattformen physisch zu trainieren.
Quelle : Vollständig nichtlineares neuromorphes Rechnen mit linearer Wellenstreuung
