Nyt System Sigter Mod at Løse AI’s Energiforbrugsproblem

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

Et hold af disse forskere, ledet af University of Washington, har fundet en løsning for at hjælpe med at løse dette problem – ny optisk beregningshardware til AI og maskinel læring. Denne hardware er hurtigere og langt mere energibesparende end konventionel elektronik. Den hjælper også med at løse ‘støj’, der er forårsaget af optisk beregning, som kan forstyrre beregningspræcisionen.

Forskningen blev offentliggjort den 21. januar i Science Advances.

Brug af Støj som Indgang

I forskningsartiklen demonstrerede holdet, hvordan et optisk beregningsystem til AI og maskinel læring kunne bruge nogen af støjen som indgang til at forbedre kreativ udgang af den kunstige neurale netværk (ANN) i systemet.

Changming Wu er en UW-doktorand 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 indgange genereret fra den optiske støj, som de fleste forskere forsøgte at undgå.”

Optisk beregningsstøj er forårsaget af strøende lyspartikler, eller fotoner. Disse er produceret af laseren i enheden og baggrundsvarme-stråling. For at imødegå støjen forbinder holdet deres optiske beregningskerne til et generativt adversarialt netværk (GAN). De testede derefter forskellige støjreduktions-teknikker, såsom brug af nogen af den genererede støj som tilfældige indgange for GAN.

Holdet sagde til GAN at lære at håndskrive tallet ‘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 sin 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 reducere den negative effekt af den optiske beregningshardwares støj ved at bruge en træningsalgoritme, der er robust over for fejl og støj. Mere end det, netværket bruger faktisk støjen som tilfældig indgang, 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 Enhed

Holdet vil nu se at bygge enheden i en større skala ved hjælp af nuværende halvlederfabrikationsteknologi, hvilket vil forbedre præstationen og tillade holdet at udføre mere komplekse opgaver.

“Dette optiske system repræsenterer en computerhardware-arkitektur, der kan forbedre kreativiteten af kunstige neurale netværk, der bruges i AI og maskinel læring, men mere vigtigt, det demonstrerer muligheden for dette system i en stor skala, hvor støj og fejl kan reduceres og endda udnyttes,” sagde Li. “AI-applikationer vokser så hurtigt, at deres energiforbrug i fremtiden vil være ikke-bæredygtigt. Denne teknologi har potentialet for at hjælpe med at reducere dette energiforbrug, og gøre AI og maskinel læring miljømæssigt bæredygtige – og meget hurtige, og opnå højere præstation samlet.