I takt med att maskininlärning och artificiell intelligens blir alltmer utbredda kan vi se deras närvaro inom allt från datorseende till textgenerering. Åtgärderna kräver dock komplexa neurala nätverk och exponentiellt hög energiförbrukning. Dessa tekniker blir alltmer ohållbara på grund av deras ökande energibehov för träning. För att minska detta har forskare hittat ett sätt där neurala nätverk kan göra maskininlärning mer hållbar.
Forskare vid Max Planck-institutet för ljusvetenskap presenterar sin forskning som visar en enkel metod för att minska energiförbrukningen med AI. Behovet av ett mer kostnads- och energieffektivt alternativ till neuromorfisk databehandling krävs. Neuromorfisk databehandling ersätter de neurala nätverken på våra datorer med fysiska neurala nätverk. Detta utför matematiska operationer fysiskt snabbare och på ett mer energieffektivt sätt.
Utmaningar
- Höga lasereffekter krävs för att utföra nödvändiga komplexa matematiska beräkningar.
- Bristen på generella träningsmetoder för sådana fysiska neurala nätverk.
Institutets direktör, Florian Marquardt, förklarar: ”Normalt sett präglas datainmatningen på ljusfältet. Men i våra nya metoder föreslår vi att prägla inmatningen genom att ändra ljustransmissionen.”
Höjdpunkter
- Fotonik och optik ses som lovande plattformar för neuromorfisk databehandling eftersom de håller energiförbrukningen till ett minimum.
- Det är möjligt att utföra beräkningar parallellt med mycket hög hastighet.
- Båda utmaningarna kan övervinnas med den nya föreslagna metoden av forskare eftersom insignalen bearbetas på ett godtyckligt sätt.
Ljusfältet beter sig på det enklaste sättet där interferenser inte påverkar varandra. Därför är det med den nya metoden möjligt att undvika komplicerade fysiska interaktioner för att utföra nödvändiga matematiska funktioner.
Med Clara Wanjuras ord , sa studiens förstaförfattare: ”Samtidigt gör detta det möjligt att mäta all relevant information för utbildningen.”
Enligt en annan forskning kan nya datorchips också öka AI:s energieffektivitet.
Slutsats
Med olika demonstrationer planerar forskare att samarbeta med olika experimentgrupper för att utforska implementeringen av deras metod under olika förhållanden. Tillvägagångssättet att neurala nätverk kan göra maskininlärning mer hållbart, och om det lyckas, kan detta system för neuromorfiska enheter användas för att fysiskt träna ett brett spektrum av plattformar.
Källa : Helt ickelinjär neuromorfisk beräkning med linjär vågspridning
