يبدو أن استراتيجية النمو والتقليم للذكاء الاصطناعي تعمل على تقليل استخدام طاقة الذكاء الاصطناعي

يعمل الدماغ البشري باستراتيجية "النمو والتقليم" ، حيث يبدأ في البداية بكمية هائلة من الوصلات العصبية ثم ينزع الروابط غير المستخدمة بمرور الوقت. في الآونة الأخيرة ، قام فريق من أبحاث الذكاء الاصطناعي بتطبيق هذا النهج على أنظمة الذكاء الاصطناعي ووجدوا أنه يمكن أن يقلل بشكل كبير من كمية الطاقة المطلوبة لتدريب الذكاء الاصطناعي.

فريق من الباحثين من جامعة برينستون تم إنشاء طريقة جديدة لتدريب أنظمة الذكاء الاصطناعي مؤخرًا. يبدو أن طريقة التدريب الجديدة هذه قادرة على تلبية معايير الصناعة من حيث الدقة أو تجاوزها، ولكنها قادرة على تحقيق ذلك مع استهلاك طاقة حسابية أقل بكثير، وبالتالي طاقة أقل، من نماذج التعلم الآلي التقليدية. على مدى ورقتين بحثيتين مختلفتين، أظهر باحثو برينستون كيفية تنمية الشبكة عن طريق إضافة الخلايا العصبية والوصلات إليها. وبعد ذلك، تم قطع الاتصالات غير المستخدمة مع مرور الوقت، ولم يتبق سوى الأجزاء الأكثر فعالية وكفاءة في النموذج.

أوضح نيراج جها ، أستاذ الهندسة الكهربائية في جامعة برينستون ، لأخبار برينستون أن النموذج الذي طوره الباحثون يعمل على "نموذج الصف والتقليم". أوضح جها أن دماغ الإنسان هو الأكثر تعقيدًا على الإطلاق في حوالي ثلاث سنوات من العمر ، وبعد هذه النقطة يبدأ الدماغ في تقليم الروابط التشابكية غير الضرورية. والنتيجة هي أن الدماغ المتطور بالكامل قادر على تنفيذ جميع المهام المعقدة للغاية التي نقوم بها كل يوم ، لكنه يستخدم حوالي نصف جميع نقاط الاشتباك العصبي التي كان لديه في ذروته. قام Jha والباحثون الآخرون بتقليد هذه الاستراتيجية لتعزيز تدريب الذكاء الاصطناعي.

وأوضح جها:

"نهجنا هو ما نسميه نموذج النمو والتقليم. إنه مشابه لما يفعله الدماغ من عندما نكون رضيعًا إلى عندما نكون طفلاً صغيرًا. في عامه الثالث ، يبدأ دماغ الإنسان في قطع الروابط بين خلايا الدماغ. تستمر هذه العملية حتى مرحلة البلوغ ، بحيث يعمل الدماغ المتطور بالكامل عند نصف ذروته التشابكية تقريبًا. يتخصص دماغ البالغين في أي تدريب نقدمه له. إنها ليست جيدة للتعلم للأغراض العامة مثل دماغ الطفل. "

بفضل تقنية النمو والتقليم ، يمكن إجراء تنبؤات جيدة بنفس القدر حول الأنماط في البيانات باستخدام جزء صغير فقط من القوة الحسابية التي كانت مطلوبة سابقًا. يهدف الباحثون إلى إيجاد طرق لتقليل استهلاك الطاقة والتكلفة الحسابية ، لأن القيام بذلك هو المفتاح لجلب التعلم الآلي إلى الأجهزة الصغيرة مثل الهواتف والساعات الذكية. يمكن أن يساعد تقليل كمية الطاقة التي تستهلكها خوارزميات التعلم الآلي الصناعة أيضًا في تقليل انبعاثات الكربون. أوضح Xiaoliang Dai ، المؤلف الأول في الصحف ، أن النماذج تحتاج إلى التدريب محليًا بسبب انتقالها إلى السحابة التي تتطلب قدرًا كبيرًا من الطاقة.

خلال الدراسة الأولى ، حاول الباحثون تطوير أداة إنشاء شبكة عصبية يمكنهم استخدامها لهندسة الشبكات العصبية وإعادة إنشاء بعض من أفضل الشبكات أداءً من البداية. كانت الأداة تسمى NeST (أداة تجميع الشبكة العصبية) ، وعندما يتم تزويدها بعدد قليل من الخلايا العصبية والوصلات ، يزداد تعقيدها بسرعة عن طريق إضافة المزيد من الخلايا العصبية إلى الشبكة. بمجرد أن تلبي الشبكة معيارًا محددًا ، تبدأ في تقليم نفسها بمرور الوقت. بينما استخدمت نماذج الشبكات السابقة تقنيات التقليم ، فإن الطريقة التي صممها باحثو جامعة برينستون كانت أول من أخذ شبكة ومحاكاة مراحل التطور ، من "طفل" إلى "طفل صغير" وأخيراً إلى "دماغ بالغ".

خلال الورقة البحثية الثانية ، تعاون الباحثون مع فريق من جامعة كاليفورنيا-بيركلي وفيسبوك لتحسين أسلوبهم باستخدام أداة تسمى كاميليون. كاميليون قادر على البدء بنقطة النهاية المرغوبة ، والنتائج المرجوة ، والعمل للخلف لبناء النوع الصحيح من الشبكة العصبية. هذا يلغي الكثير من التخمين الذي ينطوي عليه تعديل الشبكة يدويًا ، مما يمنح المهندسين نقاط بداية من المحتمل أن تكون مفيدة على الفور. يتنبأ كاميليون بأداء معماريات مختلفة في ظل ظروف مختلفة. يمكن أن يساعد الجمع بين Chameleon وإطار عمل NeST المؤسسات البحثية التي تفتقر إلى موارد حسابية ثقيلة على الاستفادة من قوة الشبكات العصبية.