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。
研究人员在 马克斯普朗克光科学研究所 提出他们的研究，证明 通过人工智能减少能源消耗的简单方法。 考虑到需要一种更具成本效益和能源效率的神经形态计算替代方案。神经形态计算用物理神经网络取代了我们计算机上的神经网络。这可以以更快的速度和更节能的方式执行数学运算。
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，数据输入会印在光场上。然而，在我们的新方法中，我们提出通过改变光传输来印记输入。”
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。
光场的行为方式最为简单，即相互干扰不会相互影响。因此，采用新方法， 可以避免复杂的物理相互作用 执行所需的数学函数。
在的话， 克拉拉·万朱拉该研究的第一作者表示， “同时，这使得人们能够衡量与训练相关的所有信息。”
此外，根据另一项研究 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，研究人员正计划与不同的实验小组合作，探索在不同条件下实施他们的方法。神经网络可以使机器学习更具可持续性，如果成功，该系统将 神经形态设备可用于对各种平台进行物理训练.
