随着机器学习和人工智能的普及，我们可以注意到它们的存在，从计算机视觉到文本生成。然而，这些动作需要复杂的神经网络，并且需要指数级的高能耗。这些技术由于训练所需的能源需求不断增加而变得越来越不可持续。为了减少这种情况，研究人员找到了一种神经网络可以让机器学习更可持续的方法。
马克斯·普朗克光科学研究所的研究人员提出了一种降低人工智能能耗的简易方法。鉴于目前亟需一种更经济、更节能的神经形态计算替代方案，这项研究显得尤为重要。神经形态计算用物理神经网络取代了计算机上的神经网络，从而以更快的速度和更高的能耗效率执行物理上的数学运算。
挑战
- 执行必要的复杂数学计算需要高激光功率。
- 此类物理神经网络缺乏通用的训练方法。
该研究所所长弗洛里安·马夸特解释说：“通常情况下，数据输入会被印刻在光场上。然而，在我们的新方法中，我们提出通过改变光的透射率来印刻输入。”
核心亮点
- 光子学和光学被视为 有前景的神经形态计算平台 因为它们将能源消耗降至最低。
- 可以非常高的速度并行执行计算。
- 由于输入信号以任意方式处理，研究人员可以使用新提出的方法来克服这两个挑战。
光场的行为非常简单，相互干涉的粒子互不影响。因此，采用这种新方法，可以避免复杂的物理相互作用，从而实现所需的数学运算。
用该研究的第一作者克拉拉·万朱拉的话来说， “与此同时，这使得人们能够衡量所有与训练相关的信息。”
此外，另一项研究表明，新型计算机芯片可以提高人工智能的能源效率。
结语
通过各种演示，研究人员计划与不同的实验小组合作，探索该方法在不同条件下的应用。如果成功，神经网络可以使机器学习更具可持续性，而这套用于神经形态设备的系统可用于对各种平台进行物理训练。
