Nu machine learning en kunstmatige intelligentie steeds wijdverbreider worden, zien we hun aanwezigheid in uiteenlopende toepassingen, van computer vision tot tekstgeneratie. De handelingen vereisen echter complexe neurale netwerken en een exponentieel hoog energieverbruik. Deze technologieën worden steeds minder duurzaam door de toenemende energiebehoefte voor training. Om dit te verminderen, hebben onderzoekers een manier gevonden waarop neurale netwerken machine learning duurzamer kunnen maken.
Onderzoekers van het Max Planck Instituut voor Lichtwetenschappen presenteren hun onderzoek dat een eenvoudige methode aantoont om het energieverbruik van AI te verminderen. Gezien de behoefte aan een kosten- en energiezuiniger alternatief is neuromorfische computertechnologie nodig. Neuromorfische computertechnologie vervangt de neurale netwerken in onze computers door fysieke neurale netwerken. Hierdoor worden wiskundige bewerkingen fysiek sneller en energiezuiniger uitgevoerd.
Challenges
- Om complexe wiskundige berekeningen uit te kunnen voeren, zijn hoge laservermogens nodig.
- Het ontbreken van algemene trainingsmethoden voor dergelijke fysieke neurale netwerken.
Directeur Florian Marquardt van het instituut legt uit: "Normaal gesproken wordt de data-input in het lichtveld vastgelegd. Met onze nieuwe methoden stellen we echter voor om de input vast te leggen door de lichttransmissie te veranderen."
Hoogtepunten
- Fotonica en optica worden gezien als veelbelovende platforms voor neuromorfisch computergebruik omdat ze het energieverbruik tot een minimum beperken.
- Het is mogelijk om berekeningen parallel en met zeer hoge snelheid uit te voeren.
- Beide uitdagingen kunnen door onderzoekers worden overwonnen met de nieuwe voorgestelde methode, waarbij het ingangssignaal op willekeurige wijze wordt verwerkt.
Het lichtveld gedraagt zich op de meest eenvoudige manier, waarbij interferentie tussen deeltjes elkaar niet beïnvloedt. Met de nieuwe aanpak is het daarom mogelijk om ingewikkelde fysische interacties te vermijden bij het uitvoeren van de vereiste wiskundige functies.
Clara Wanjura , de eerste auteur van de studie, verwoordde het als volgt : "Tegelijkertijd maakt dit het mogelijk om alle relevante informatie voor de training te meten."
Volgens ander onderzoek kunnen nieuwe computerchips de energie-efficiëntie van AI verhogen.
Conclusie
Met diverse demonstraties zijn onderzoekers van plan samen te werken met verschillende experimentele groepen om de implementatie van hun methode onder verschillende omstandigheden te onderzoeken. De benadering dat neurale netwerken machine learning duurzamer kunnen maken, zou, indien succesvol, ertoe kunnen leiden dat dit systeem voor neuromorfe apparaten gebruikt kan worden om een breed scala aan platforms fysiek te trainen.
Bron : Volledig niet-lineaire neuromorfische computerberekeningen met lineaire golfverstrooiing
