Koneoppimisen ja tekoälyn yleistyessä, voimme havaita niiden läsnäolon tietokonenäöstä tekstin luomiseen. Toimenpiteet vaativat kuitenkin monimutkaisia hermoverkkoja ja vaativat eksponentiaalisesti suurta energiankulutusta. Näistä tekniikoista on tulossa yhä kestämättömämpiä, koska niiden koulutuksen energiatarve kasvaa. Tämän vähentämiseksi tutkijat löysivät tavan, jolla hermoverkot voivat tehdä koneoppimisesta kestävämpää.
Max Planck -valotieteen instituutin tutkijat esittelevät tutkimuksensa, joka osoittaa yksinkertaisen menetelmän tekoälyn energiankulutuksen vähentämiseksi. Neuromorfisen laskennan kustannus- ja energiatehokkaamman vaihtoehdon tarpeen huomioon ottaminen on tarpeen. Neuromorfinen laskenta korvaa tietokoneidemme neuroverkot fyysisillä neuroverkoilla. Tämä suorittaa matemaattisia laskutoimituksia fyysisesti nopeammin ja energiatehokkaammin.
Haasteet
- Suuria lasertehoja tarvitaan välttämättömien monimutkaisten matemaattisten laskelmien suorittamiseen.
- Yleisten koulutusmenetelmien puuttuminen tällaisia fyysisiä hermoverkkoja varten.
Instituutin johtaja Florian Marquardt selittää: ”Normaalisti datasyöttö painetaan valokenttään. Uusissa menetelmissämme ehdotamme kuitenkin syötteen painamista muuttamalla valonläpäisykykyä.”
Poimintoja
- Fotoniikka ja optiikka nähdään sellaisina lupaavia alustoja neuromorfiselle laskennalle koska ne pitävät energiankulutuksen minimissä.
- On mahdollista suorittaa laskutoimituksia rinnakkain erittäin suurella nopeudella.
- Molemmat haasteet voidaan voittaa tutkijoiden ehdottamalla uudella menetelmällä, koska tulosignaalia käsitellään mielivaltaisella tavalla.
Valokenttä käyttäytyy yksinkertaisimmalla tavalla, jossa toistensa häiritsevät tekijät eivät vaikuta toisiinsa. Siksi uudella lähestymistavalla on mahdollista välttää monimutkaisia fyysisiä vuorovaikutuksia vaadittujen matemaattisten funktioiden suorittamiseksi.
Tutkimuksen ensimmäisen kirjoittajan Clara Wanjuran sanoin : ”Samalla tämä mahdollistaa kaikkien koulutuksen kannalta olennaisten tietojen mittaamisen.”
Toisen tutkimuksen mukaan uudet tietokonesirut voivat myös parantaa tekoälyn energiatehokkuutta.
Yhteenveto
Tutkijat suunnittelevat yhteistyötä eri kokeellisten ryhmien kanssa erilaisten demonstraatioiden avulla selvittääkseen menetelmänsä toteutusta erilaisissa olosuhteissa. Lähestymistapa, jonka mukaan neuroverkot voivat tehdä koneoppimisesta kestävämpää, on sellainen, että jos tämä neuromorfisten laitteiden järjestelmä onnistuu, sitä voidaan käyttää monenlaisten alustojen fyysiseen kouluttamiseen.
Lähde : Täysin epälineaarinen neuromorfinen laskenta lineaarisella aaltosironnalla
