Energieffektiv AI: A New Dawn With Neuromorphic Computers

Det hastigt voksende område af kunstig intelligens (AI) er kendt for sin ydeevne, men har en betydelig energiomkostning. EN ny tilgang, foreslået af to førende videnskabsmænd ved Max Planck Institute for the Science of Light i Erlangen, Tyskland, har til formål at træne AI mere effektivt, hvilket potentielt revolutionerer den måde, AI behandler data på.

Nuværende AI-modeller bruger enorme mængder energi under træning. Selvom præcise tal er uhåndgribelige, antyder estimater fra Statista, at GPT-3's træning kræver omkring 1000 megawatt timer - svarende til det årlige forbrug for 200 store tyske husstande. Selvom denne energikrævende træning har finjusteret GPT-3 til at forudsige ordsekvenser, er der konsensus om, at den ikke har forstået den iboende betydning af sådanne sætninger.

Neuromorphic Computing: Sammensmeltning af hjerne og maskine

Mens konventionelle AI-systemer er afhængige af digitale kunstige neurale netværk, kan fremtiden ligge i neuromorfisk databehandling. Florian Marquardt, direktør ved Max Planck Institute og professor ved University of Erlangen, belyste ulempen ved traditionelle AI-opsætninger.

"Alene dataoverførslen mellem processor og hukommelse bruger en betydelig mængde energi," fremhævede Marquardt og bemærkede ineffektiviteten, når man træner store neurale netværk.

Neuromorf databehandling henter inspiration fra den menneskelige hjerne og behandler data parallelt snarere end sekventielt. Grundlæggende fungerer synapser i hjernen som både processor og hukommelse. Systemer, der efterligner disse karakteristika, såsom fotoniske kredsløb, der bruger lys til beregninger, er i øjeblikket under udforskning.

Træning af AI med selvlærende fysiske maskiner

I samarbejde med ph.d.-studerende Víctor López-Pastor introducerede Marquardt en innovativ træningsmetode til neuromorfe computere. Deres "selvlærende fysiske maskine" optimerer fundamentalt sine parametre via en iboende fysisk proces, hvilket gør ekstern feedback overflødig. "At ikke kræve denne feedback gør træningen meget mere effektiv," understregede Marquardt og antydede, at denne metode ville spare både energi og computertid.

Alligevel har denne banebrydende teknik specifikke krav. Processen skal være reversibel, sikre minimalt energitab og tilstrækkelig kompleks eller ikke-lineær. "Kun ikke-lineære processer kan udføre de indviklede transformationer mellem inputdata og resultater," udtalte Marquardt og skelnede mellem lineære og ikke-lineære handlinger.

På vej mod praktisk implementering

Duoens teoretiske grundlag stemmer overens med praktiske anvendelser. I samarbejde med et eksperimentelt hold fremmer de en optisk neuromorf computer, der behandler information ved hjælp af overlejrede lysbølger. Deres mål er klart: at aktualisere det selvlærende fysiske maskinkoncept.

"Vi håber at kunne præsentere den første selvlærende fysiske maskine i tre år," projicerede Marquardt, hvilket indikerede, at disse fremtidige netværk ville håndtere flere data og blive trænet med større datasæt end moderne systemer. I betragtning af de stigende krav til kunstig intelligens og den iboende ineffektivitet af nuværende opsætninger, virker skiftet mod effektivt trænede neuromorfe computere både uundgåeligt og lovende.

Med Marquardts ord: "Vi er overbeviste om, at selvlærende fysiske maskiner har en solid chance i den igangværende udvikling af kunstig intelligens." Både det videnskabelige samfund og AI-entusiaster venter med tilbageholdt ånde på, hvad fremtiden bringer.