Wraz ze wzrostem rozpowszechnienia uczenia maszynowego i sztucznej inteligencji możemy zauważyć ich obecność w zakresie od wizji komputerowej do generowania tekstu. Jednak działania te wymagają złożonych sieci neuronowych i wymagają wykładniczo wysokiego zużycia energii. Technologie te stają się coraz bardziej niezrównoważone ze względu na rosnące zapotrzebowanie na energię do szkolenia. Aby to ograniczyć, naukowcy znaleźli sposób, w jaki sieci neuronowe mogą uczynić uczenie maszynowe bardziej zrównoważonym.
Naukowcy z Instytutu Nauki o Świetle im. Maxa Plancka prezentują wyniki swoich badań, demonstrując prostą metodę redukcji zużycia energii przez sztuczną inteligencję. Potrzebna jest zatem tańsza i bardziej energooszczędna alternatywa w postaci komputerów neuromorficznych. Komputery neuromorficzne zastępują sieci neuronowe w naszych komputerach fizycznymi sieciami neuronowymi. Pozwala to na wykonywanie operacji matematycznych szybciej i bardziej energooszczędnie.
Wyzwania
- Do wykonywania skomplikowanych obliczeń matematycznych niezbędna jest duża moc lasera.
- Brak ogólnych metod szkolenia takich fizycznych sieci neuronowych.
Dyrektor Instytutu, Florian Marquardt, wyjaśnia: „Zwykle dane wejściowe są nanoszone na pole świetlne. Jednak w naszych nowych metodach proponujemy nanoszenie danych wejściowych poprzez zmianę transmisji światła”.
Najważniejsze
- Fotonikę i optykę postrzega się jako obiecujące platformy dla obliczeń neuromorficznych ponieważ utrzymują zużycie energii na minimalnym poziomie.
- Możliwe jest wykonywanie obliczeń równolegle z bardzo dużą prędkością.
- Oba wyzwania mogą zostać pokonane dzięki nowej metodzie zaproponowanej przez naukowców, ponieważ sygnał wejściowy jest przetwarzany w dowolny sposób.
Pole świetlne zachowuje się w najprostszy sposób, gdzie wzajemne interferencje nie wpływają na siebie. Dlatego dzięki nowemu podejściu możliwe jest uniknięcie skomplikowanych oddziaływań fizycznych w celu wykonania wymaganych funkcji matematycznych.
Jak powiedziała Clara Wanjura , pierwsza autorka badania, „Jednocześnie pozwala to na zmierzenie wszystkich istotnych informacji na potrzeby szkolenia”.
Ponadto, według innych badań, nowe układy scalone mogą zwiększyć efektywność energetyczną sztucznej inteligencji ,
Wniosek
Naukowcy planują współpracę z różnymi grupami eksperymentalnymi, aby przetestować wdrożenie swojej metody w różnych warunkach, przeprowadzając różne demonstracje. Podejście, zgodnie z którym sieci neuronowe mogą uczynić uczenie maszynowe bardziej zrównoważonym, a jeśli okaże się skuteczne, ten system dla urządzeń neuromorficznych będzie mógł zostać wykorzystany do fizycznego trenowania szerokiej gamy platform.
Źródło : Całkowicie nieliniowe obliczenia neuromorficzne z liniowym rozpraszaniem fal
