Ενεργειακά Αποδοτική Νοημοσύνη: Μια Νέα Αυγή Με Neuromorphic Υπολογιστές

Το γρήγορα εξελισσόμενο πεδίο της τεχνητής νοημοσύνης (AI) είναι γνωστό για την απόδοσή του, αλλά έχει ένα σημαντικό ενεργειακό κόστος. Μια νέα προσέγγιση, που προτάθηκε από δύο εξέχοντες επιστήμονες στο Ινστιτούτο Max Planck για την Επιστήμη του Φωτός στο Erlangen, Γερμανία, στοχεύει στην εκπαίδευση της AI μεgreater αποδοτικότητα, potencially επαναπροσδιορίζοντας τον τρόπο με τον οποίο η AI επεξεργάζεται τα δεδομένα.

Τα τρέχοντα μοντέλα AI καταναλώνουν τεράστιες ποσότητες ενέργειας κατά την εκπαίδευση. Αν και οι ακριβείς αριθμοί είναι δυσκολοί να καθοριστούν, οι εκτιμήσεις της Statista δείχνουν ότι η εκπαίδευση του GPT-3 απαιτεί περίπου 1000 megawatt ώρες – ισοδύναμο με την ετήσια κατανάλωση 200 μεγάλων γερμανικών νοικοκυριών. Ενώ αυτή η ενεργειακά εντατική εκπαίδευση έχει βελτιώσει την GPT-3 για να προβλέψει ακολουθίες λέξεων, υπάρχει συναίνεση ότι δεν έχει κατανοήσει τις εγγενείς σημασίες των φράσεων.

Neuromorphic Υπολογισμοί: Συγκλίνωντας Εγκέφαλο και Μηχανή

Ενώ τα συμβατικά συστήματα AI βασίζονται σε ψηφιακές τεχνητές νευρωνικές δικτυώσεις, το μέλλον μπορεί να βρίσκεται στους neuromorphic υπολογισμούς. Ο Florian Marquardt, διευθυντής στο Ινστιτούτο Max Planck και καθηγητής στο Πανεπιστήμιο του Erlangen, διευκρίνισε την ελάττωμα των παραδοσιακών συστημάτων AI.

“Η μεταφορά δεδομένων μεταξύ επεξεργαστή και μνήμης μόνο καταναλώνει σημαντική ποσότητα ενέργειας,” τόνισε ο Marquardt, σημειώνοντας τις ανεπάρκειες κατά την εκπαίδευση των εκτεταμένων νευρωνικών δικτυωμάτων.

Οι neuromorphic υπολογισμοί λαμβάνουν έμπνευση από τον ανθρώπινο εγκέφαλο, επεξεργαζόμενοι τα δεδομένα παράλληλα και όχι σειριακά. Ουσιαστικά, οι συνάψεις στον εγκέφαλο λειτουργούν και ως επεξεργαστής και ως μνήμη. Τα συστήματα που μιμούνται αυτές τις ιδιότητες, όπως οι φωτονικοί κύκλοι που χρησιμοποιούν το φως για τους υπολογισμούς, βρίσκονται υπό διερεύνηση.

Εκπαίδευση AI με Αυτο-Μαθαίνουσες Φυσικές Μηχανές

Συνεργαζόμενος με τον διδάκτορα Víctor López-Pastor, ο Marquardt εισήγαγε μια καινοτόμο μέθοδο εκπαίδευσης για τους neuromorphic υπολογιστές. Η “αυτο-μαθαίνουσα φυσική μηχανή” του βελτιώνει ουσιαστικά τις παραμέτρους του μέσω μιας εγγενούς φυσικής διαδικασίας, καθιστώντας την εξωτερική ανατροφοδότηση περιττή. “Δεν απαιτώντας αυτή την ανατροφοδότηση κάνει την εκπαίδευση πολύ πιο αποδοτική,” τόνισε ο Marquardt, υποδεικνύοντας ότι αυτή η μέθοδος θα εξοικονομήσει και ενέργεια και χρόνο υπολογισμού.

Ωστόσο, αυτή η επαναστατική τεχνική έχει συγκεκριμένες απαιτήσεις. Η διαδικασία πρέπει να είναι αναστρέψιμη, εξασφαλίζοντας ελάχιστη απώλεια ενέργειας, και αρκετά σύνθετη ή μη γραμμική. “Μόνο μη γραμμικές διαδικασίες μπορούν να εκτελέσουν τις περίπλοκες μετασχηματίσεις μεταξύ εισοδικών δεδομένων και αποτελεσμάτων,” δήλωσε ο Marquardt, διαγράφοντας μια διάκριση μεταξύ γραμμικών και μη γραμμικών ενεργειών.

Προς Πρακτική Εφαρμογή

Η θεωρητική εργασία του δίδυμου συναγωνίζεται με τις πρακτικές εφαρμογές. Συνεργαζόμενος με μια πειραματική ομάδα, προωθούν einen οπτικό neuromorphic υπολογιστή που επεξεργάζεται πληροφορίες χρησιμοποιώντας υπέρθετες φωτεινές κυματώσεις. Το στόχο τους είναι σαφής: να υλοποιήσουν την έννοια της αυτο-μαθαίνουσας φυσικής μηχανής.

“Ελπίζουμε να παρουσιάσουμε την πρώτη αυτο-μαθαίνουσα φυσική μηχανή σε τρία χρόνια,” προέβλεψε ο Marquardt, υποδεικνύοντας ότι αυτά τα μελλοντικά δίκτυα θα χειριστούν περισσότερα δεδομένα και θα εκπαιδευτούν με μεγαλύτερα σύνολα δεδομένων από τα σύγχρονα συστήματα. Δεδομένων των αυξανόμενων απαιτήσεων για την AI και των εγγενών ανεπαρκειών των τρεχόντων συστημάτων, η μετάβαση προς τις αποδοτικά εκπαιδευμένες neuromorphic υπολογιστές φαίνεται και αναπόφευκτη και υποσχόμενη.

Με τα λόγια του Marquardt, “Είμαστε βέβαιοι ότι οι αυτο-μαθαίνουσες φυσικές μηχανές έχουν μια στέρεη ευκαιρία στην συνεχιζόμενη εξέλιξη της τεχνητής νοημοσύνης.” Η επιστημονική κοινότητα και οι ενθουσιώδεις της AI περιμένουν με αναπάντεχη αναστροφή για το τι κρατάει το μέλλον.