С ростом распространенности машинного обучения и искусственного интеллекта мы можем заметить их присутствие, начиная от компьютерного зрения и заканчивая генерацией текста. Однако действия требуют сложных нейронных сетей и требуют экспоненциально высокого потребления энергии. Эти технологии становятся все более неустойчивыми из-за растущих энергетических потребностей обучения. Чтобы уменьшить это, исследователи нашли способ, с помощью которого нейронные сети могут сделать машинное обучение более устойчивым.
Исследователи из Института науки о свете им. Макса Планка представили результаты своих исследований, демонстрирующие простой метод снижения энергопотребления ИИ. Учитывая необходимость в более экономичной и энергоэффективной альтернативе нейроморфным вычислениям, нейроморфные вычисления заменяют нейронные сети на наших компьютерах физическими нейронными сетями. Это позволяет выполнять математические операции физически быстрее и с меньшими затратами энергии.
Задачи
- Для выполнения необходимых сложных математических вычислений требуются лазеры высокой мощности.
- Отсутствие общих методов обучения для таких физических нейронных сетей.
Директор института Флориан Марквардт поясняет: «Обычно входные данные наносятся на световое поле. Однако в наших новых методах мы предлагаем наносить входные данные путем изменения светопропускания».
Основные моменты:
- Фотоника и оптика рассматриваются как перспективные платформы для нейроморфных вычислений поскольку они сводят потребление энергии к минимуму.
- Вычисления можно выполнять параллельно на очень высокой скорости.
- Обе проблемы могут быть преодолены с помощью нового предложенного исследователями метода, поскольку входной сигнал обрабатывается произвольным образом.
Световое поле ведет себя простейшим образом, при котором интерференция между элементами не оказывает взаимного влияния. Поэтому, благодаря новому подходу, можно избежать сложных физических взаимодействий для выполнения необходимых математических функций.
Как сказала Клара Ванжура , первый автор исследования: «В то же время это позволяет измерить всю необходимую для обучения информацию».
Кроме того, согласно другому исследованию, новые компьютерные чипы могут повысить энергоэффективность ИИ.
Заключение
В ходе различных демонстраций исследователи планируют сотрудничать с разными экспериментальными группами, чтобы изучить применение своего метода в различных условиях. Подход, основанный на использовании нейронных сетей для повышения устойчивости машинного обучения, в случае успеха позволит использовать эту систему для нейроморфных устройств для физического обучения широкого спектра платформ.
Источник : Полностью нелинейные нейроморфные вычисления с линейным рассеянием волн.
