機械学習と人工知能がますます普及するにつれ、コンピューター ビジョンからテキスト生成まで、その存在に気づくようになりました。しかし、これらのアクションには複雑なニューラル ネットワークが必要であり、指数関数的に高いエネルギー消費が必要です。これらのテクノロジーは、トレーニングに必要なエネルギーの増加により、ますます持続不可能になりつつあります。これを軽減するために、研究者はニューラル ネットワークによって機械学習をより持続可能にする方法を見つけました。
マックス・プランク光科学研究所の研究者らは、AIのエネルギー消費を削減するシンプルな方法を実証した研究成果を発表した。よりコスト効率とエネルギー効率に優れたニューロモルフィックコンピューティングの代替手段が求められていることを考慮すると、この研究は意義深い。ニューロモルフィックコンピューティングは、コンピュータ上のニューラルネットワークを物理的なニューラルネットワークに置き換えることで、数学演算を物理的に高速かつエネルギー効率よく実行できるようにする。
チャレンジ
- 必要な複雑な数学的計算を実行するには、高いレーザー出力が必要です。
- このような物理的なニューラル ネットワークには一般的なトレーニング方法が利用できない。
同研究所の所長であるフロリアン・マルクヴァルト氏は、「通常、データ入力は光場に刻印されます。しかし、私たちの新しい手法では、光の透過率を変化させることで入力を刻印することを提案します」と説明しています。
ハイライト
- フォトニクスと光学は、 ニューロモルフィックコンピューティングの有望なプラットフォーム エネルギー消費を最小限に抑えるからです。
- 非常に高速に並列計算を実行することが可能です。
- 研究者が提案した新しい方法では、入力信号が任意の方法で処理されるため、両方の課題を克服できます。
光場は、互いに干渉し合っても影響を与えないという、最も単純な振る舞いをする。したがって、この新しいアプローチを用いることで、必要な数学的関数を実行する際に、複雑な物理的相互作用を回避することが可能となる。
本研究の筆頭著者であるクララ・ワンジュラ氏は、 「同時に、これによりトレーニングに関連するすべての情報を測定することが可能になる」と述べている。
また、別の研究によると、新しいコンピューターチップはAIのエネルギー効率を向上させることができる。
結論
研究者たちは、さまざまなデモンストレーションを通して、異なる実験グループと協力し、さまざまな条件下での手法の実装を検証する計画を立てている。ニューラルネットワークが機械学習をより持続可能なものにするというこのアプローチが成功すれば、ニューロモルフィックデバイス向けのこのシステムは、幅広いプラットフォームの物理的なトレーニングに利用できる可能性がある。
