Energibesparende AI: En ny dag med neuromorfiske computere

Det hurtigt voksende område af kunstig intelligens (AI) er berømt for sin præstation, men kommer med en betydelig energiomkostning. En ny tilgang, foreslået af to ledende videnskabsmænd ved Max Planck-instituttet for lysforskning i Erlangen, Tyskland, sigter mod at træne AI mere effektivt, hvilket potentielt kan revolutionere måden, AI behandler data på.

Nuverende AI-modeller forbruger enorme mængder energi under træning. Selvom præcise tal er svære at komme med, estimerer Statista, at GPT-3’s træning kræver omtrent 1000 megawatt timer – svarende til det årlige forbrug af 200 større tyske husholdninger. Selvom denne energikrævende træning har finjusteret GPT-3 til at forudsige ordsekvenser, er der enighed om, at det ikke har grebet de underliggende betydninger af disse fraser.

Neuromorfisk computing: Fusion af hjernen og maskinen

Mens konventionelle AI-systemer afhænger af digitale kunstige neurale netværk, kan fremtiden ligge i neuromorfisk computing. Florian Marquardt, en direktør ved Max Planck-instituttet og professor ved Universitetet i Erlangen, forklarede ulemperne ved traditionelle AI-opstillinger.

“Dataoverførslen mellem processor og hukommelse alene forbruger en betydelig mængde energi,” fremhævede Marquardt, idet han nævnte ineffektiviteterne ved at træne store neurale netværk.

Neuromorfisk computing tager inspiration fra hjernen, hvor data bearbejdes parallelt i stedet for sekventielt. I virkeligheden fungerer synapper i hjernen som både processor og hukommelse. Systemer, der efterligner disse egenskaber, såsom fotoniske kredsløb, der bruger lys til beregninger, er i øjeblikket under udvikling.

Træning af AI med selv-lærende fysiske maskiner

I samarbejde med doktoranden Víctor López-Pastor introducerede Marquardt en innovativ træningsmetode til neuromorfiske computere. Deres “selv-lærende fysisk maskine” optimerer grundlæggende sine parametre via en indre fysisk proces, hvilket gør ydre feedback overflødigt. “Ikke at kræve denne feedback gør træningen meget mere effektiv,” understregede Marquardt, idet han antydede, at denne metode ville spare både energi og beregnings tid.

Alligevel har denne banebrydende teknik bestemte krav. Processen skal være omvendelig, hvilket sikrer minimal energitab, og tilstrækkeligt kompleks eller ikke-lineær. “Kun ikke-lineære processer kan udføre de komplekse transformationer mellem inputdata og resultater,” sagde Marquardt, idet han tegnede en forskel mellem lineære og ikke-lineære handlinger.

Mod praktisk implementering

Duos teoretiske grundlag stemmer overens med praktiske anvendelser. I samarbejde med et eksperimentelt hold avancerer de en optisk neuromorfisk computer, der behandler information ved hjælp af overlagte lysbølger. Deres mål er klart: At gøre selv-lærende fysisk maskine-konceptet til virkelighed.

“Vi håber at præsentere den første selv-lærende fysisk maskine om tre år,” projekterede Marquardt, idet han antydede, at disse fremtidige netværk ville kunne håndtere mere data og blive trænet med større datasæt end nuværende systemer. Givet den stigende efterspørgsel efter AI og de indre ineffektiviteter i nuværende opstillinger, synes skiftet mod effektivt trænet neuromorfiske computere både uundgåeligt og lovende.

I Marquardts ord, “Vi er sikre på, at selv-lærende fysiske maskiner har en solid chance i den fortsatte udvikling af kunstig intelligens.” Det videnskabelige samfund og AI-entusiaster venter med spænding på, hvad fremtiden bringer.