Nyt System Sigter Mod at Løse AI’s Energiforbrugsproblem

Computere, der afhænger af kunstig intelligens (AI), kræver meget energi, og dette krav til beregningskraft fordobles omtrent hver tre til fire måneder. Når det kommer til cloud-computing datacentre, der bruges af AI og maskinlæringsapplikationer, bruger de mere elektrisk kraft pr. år end nogle små lande. Mange forskere advarer om, at dette system er uholdbart.

Et hold af disse forskere ledet af University of Washington har fundet en løsning for at hjælpe med at løse dette problem – nyt optisk computerværktøj til AI og maskinlæring. Dette værktøj er hurtigere og langt mere energibevidst end konventionel elektronik. Det hjælper også med at løse ‘støj’, der skyldes optisk computing, som kan forstyrre beregningspræcisionen.

Forskningen blev offentliggjort den 21. januar i Science Advances.

Brug af Støj som Inddata

I forskningsartiklen demonstrerede holdet, hvordan et optisk computingsystem til AI og maskinlæring kunne bruge nogen af støjen som inddata til at forbedre den kreative udgang af den kunstige neurale netværk (ANN) i systemet.

Changming Wu er en UW-doktorstuderende i elektroteknik og datateknik og hovedforfatter af artiklen.

“Vi har bygget en optisk computer, der er hurtigere end en konventionel digital computer,” sagde Wu. “Og også, denne optiske computer kan skabe nye ting baseret på tilfældige inddata genereret fra den optiske støj, som de fleste forskere forsøgte at undgå.”

Optisk computingsstøj skyldes strålingspartikler eller fotoner. Disse produceres af laserne i enheden og baggrundsvarme-stråling. For at imødekomme støjen forbinder holdet deres optiske computkerne til et generativt adversarialt netværk (GAN). De testede derefter forskellige støjreduceringsteknikker, såsom brug af nogen af den genererede støj som tilfældige inddata for GAN.

Holdet sagde til GAN at lære at skrive håndskrevne tal ‘7’ som et menneske, hvilket betød, at det skulle lære opgaven ved at observere visuelle eksempler på håndskrift før det øvede igen og igen. På grund af dets form skulle den optiske computer generere digitale billeder, der havde en lignende stil som eksemplerne.

Mo Li er en UW-professor i elektroteknik og datateknik og seniorforfatter af artiklen.

“I stedet for at træne netværket til at læse håndskrevne tal, trænede vi netværket til at lære at skrive tal, efterlignende visuelle eksempler på håndskrift, som det var trænet på,” sagde Li. “Vi, med hjælp af vores computer science-samarbejdspartnere på Duke University, viste også, at GAN kan mindske den negative indvirkning af den optiske computerværktøjsstøj ved at bruge en træningsalgoritme, der er robust over for fejl og støj. Mere end det, netværket bruger faktisk støjen som tilfældig inddata, der er nødvendig for at generere udgangseksempler.”

Da GAN fortsatte med at øve at skrive tallet, udviklede det sin egen karakteristiske skrivestil. Det var til sidst i stand til at skrive tal fra 1 til 10 i computersimulationer.

Opbygning af Større Skala-Enhed

Holdet vil nu forsøge at bygge enheden i en større skala ved hjælp af nuværende halvlederteknologi, hvilket vil forbedre ydelsen og give holdet mulighed for at udføre mere komplekse opgaver.

“Dette optiske system repræsenterer en computerhardwarearkitektur, der kan forbedre kreativiteten af kunstige neurale netværk, der bruges i AI og maskinlæring, men mere vigtigt, det demonstrerer muligheden for dette system i en stor skala, hvor støj og fejl kan mindske og endda udnyttes,” sagde Li. “AI-applikationer vokser så hurtigt, at deres energiforbrug i fremtiden vil være uholdbart. Denne teknologi har potentialet for at hjælpe med at reducere dette energiforbrug, hvilket gør AI og maskinlæring miljømæssigt bæredygtig – og meget hurtig, med højere ydelse samlet.”