Νέο σύστημα στοχεύει στην επίλυση του προβλήματος κατανάλωσης ενέργειας της τεχνητής νοημοσύνης

Οι υπολογιστές που βασίζονται στην τεχνητή νοημοσύνη (AI) απαιτούν πολλή ενέργεια, και αυτή η απαίτηση υπολογιστικής ισχύος διπλασιάζεται περίπου κάθε τρεις έως τέσσερις μήνες. Όταν πρόκειται για κέντρα δεδομένων cloud computing, τα οποία χρησιμοποιούνται από εφαρμογές AI και μηχανικής μάθησης, καταναλώνουν περισσότερη ηλεκτρική ενέργεια ανά έτος από ορισμένες μικρές χώρες. Πολλοί ερευνητές προειδοποιούν ότι αυτό το σύστημα είναι μη βιώσιμο.

Μια ομάδα ερευνητών με επικεφαλής το Πανεπιστήμιο της Ουάσινγκτον έχει αναπτύξει μια λύση για να βοηθήσει στην επίλυση αυτού του προβλήματος – νέο οπτικό υλικό υπολογιστών για AI και μηχανική μάθηση. Αυτό το υλικό είναι ταχύτερο και πολύ πιο ενεργειακά αποδοτικό από την παραδοσιακή ηλεκτρονική. Βοηθά επίσης να λύσει το «θόρυβο» που προκαλείται από την οπτική υπολογιστική, ο οποίος μπορεί να επηρεάσει την ακρίβεια του υπολογισμού.

Η έρευνα δημοσιεύθηκε στις 21 Ιανουαρίου στο Science Advances.

Χρήση του Θόρυβου ως Εισόδου

Στην έρευνα, η ομάδα επέδειξε πώς ένα οπτικό σύστημα υπολογιστών για AI και μηχανική μάθηση θα μπορούσε να χρησιμοποιήσει κάποιο από τον θόρυβο ως είσοδο για να ενισχύσει την δημιουργική έξοδο του τεχνητού νευρωνικού δικτύου (ANN) μέσα στο σύστημα.

Ο Changming Wu είναι υποψήφιος διδάκτορας ηλεκτρολόγων μηχανικών και μηχανικών υπολογιστών στο Πανεπιστήμιο της Ουάσινγκτον και ο πρώτος συγγραφέας της εργασίας.

«Έχουμε κατασκευάσει έναν οπτικό υπολογιστή που είναι ταχύτερος από έναν παραδοσιακό ψηφιακό υπολογιστή», είπε ο Wu. «Και επίσης, αυτός ο οπτικός υπολογιστής μπορεί να δημιουργήσει νέα πράγματα με βάση τυχαίες εισόδους που παράγονται από τον οπτικό θόρυβο που οι περισσότεροι ερευνητές προσπάθησαν να αποφύγουν».

Ο θόρυβος της οπτικής υπολογιστικής προκαλείται από σκόρπια φωτονικά σωματίδια ή φωτόνια. Αυτά παράγονται από τους lasers μέσα στην συσκευή και τη θερμική ακτινοβολία του φόντου. Για να στοχεύσουν τον θόρυβο, η ομάδα συνέδεσε τον πυρήνα οπτικών υπολογισμών της με ένα παραγωγικό ανταγωνιστικό δίκτυο (GAN). Έπειτα, έκαναν δοκιμές με διαφορετικές τεχνικές μείωσης του θόρυβου, όπως η χρήση κάποιου από τον παραγόμενο θόρυβο ως τυχαίων εισόδων για το GAN.

Η ομάδα είπε στο GAN να μάθει να γράφει το αριθμό «7» σαν άνθρωπος, το οποίο σήμαινε ότι έπρεπε να μάθει την εργασία παρατηρώντας οπτικά δείγματα γραφής πριν την εξάσκηση επανειλημμένα. Λόγω της μορφής του, ο οπτικός υπολογιστής έπρεπε να δημιουργήσει ψηφιακές εικόνες που είχαν παρόμοιο στυλ με τα δείγματα.

Ο Mo Li είναι καθηγητής ηλεκτρικής και υπολογιστικής μηχανικής στο Πανεπιστήμιο της Ουάσινγκτον και ο ανώτερος συγγραφέας της εργασίας.

«Αντί να εκπαιδεύσουμε το δίκτυο να διαβάζει χειρόγραφους αριθμούς, εκπαιδεύσαμε το δίκτυο να μάθει να γράφει αριθμούς, μιμούμενος οπτικά δείγματα γραφής που είχε εκπαιδευτεί», είπε ο Li. «Με τη βοήθεια των συνεργατών μας στην επιστήμη υπολογιστών από το Πανεπιστήμιο Duke, επίσης, δείξαμε ότι το GAN μπορεί να μειώσει την αρνητική επίδραση του οπτικού υλικού υπολογιστών θορύβου χρησιμοποιώντας έναν αλγόριθμο εκπαίδευσης που είναι ανθεκτικός σε λάθη και θόρυβο. Περισσότερο από αυτό, το δίκτυο χρησιμοποιεί πραγματικά τον θόρυβο ως τυχαία είσοδο που χρειάζεται για να παράγει περιπτώσεις εξόδου».

Καθώς το GAN συνέχιζε να εξασκείται γράφοντας τον αριθμό, ανέπτυξε το δικό του ιδιαίτερο στυλ γραφής. Τελικά, ήταν σε θέση να γράψει αριθμούς από το 1 έως το 10 σε υπολογιστικές προσομοιώσεις.

Κατασκευή Μεγαλύτερης Κλίμακας Συσκευής

Η ομάδα θα κοιτάξει τώρα να κατασκευάσει τη συσκευή σε μεγαλύτερη κλίμακα με τη χρήση της τρέχουσας ημιαγωγικής τεχνολογίας κατασκευής, η οποία θα βελτιώσει την απόδοση και θα επιτρέψει στην ομάδα να εκτελέσει πιο σύνθετες εργασίες.

«Αυτό το οπτικό σύστημα αντιπροσωπεύει μια αρχιτεκτονική υλικού υπολογιστών που μπορεί να ενισχύσει τη δημιουργικότητα των τεχνητών νευρωνικών δικτύων που χρησιμοποιούνται στην AI και τη μηχανική μάθηση, αλλά πιο σημαντικά, αποδεικνύει τη βιωσιμότητα αυτού του συστήματος σε μεγάλη κλίμακα όπου ο θόρυβος και τα λάθη μπορούν να μειωθούν και ακόμη να αξιοποιηθούν», είπε ο Li. «Οι εφαρμογές AI μεγαλώνουν τόσο γρήγορα που στο μέλλον, η κατανάλωση ενέργειας τους θα είναι μη βιώσιμη. Αυτή η τεχνολογία έχει το δυναμικό να βοηθήσει στην μείωση της κατανάλωσης ενέργειας, καθιστώντας την AI και τη μηχανική μάθηση περιβαλλοντικά βιώσιμες — και πολύ γρήγορες, επιτυγχάνοντας υψηλότερη απόδοση συνολικά».