Energiatehokas tekoäly: Uusi aika hermomorfisten tietokoneiden myötä

Tekoälyn (AI) nopeasti kasvava ala on tunnettu suorituskyvystään, mutta se vaatii merkittävän määrän energiaa. Kahden johtavan tutkijan Max Planck -instituutissa valossa Erlangenissa, Saksassa, ehdottama uusi lähestymistapa pyrkii kouluttamaan tekoälyä tehokkaammin, mikä voi vallankumouksellisesti muuttaa tekoälyn tavan prosessoida dataa.

Nykyiset tekoälymallit kuluttavat suuria määriä energiaa koulutuksen aikana. Vaikka tarkat luvut ovat vaikeat saada, Statistan arvioiden mukaan GPT-3:n koulutus vaatii noin 1000 megawattituntia – vastaava kuin 200 suuren saksalaisen talouden vuosikulutus. Vaikka tämä energiankulutus on hienosäädetty GPT-3:aa ennustamaan sanajärjestyksiä, on yleisesti hyväksytty, että se ei ole saavuttanut sisäistä ymmärrystä näiden lauseiden merkityksistä.

Hermonorfinen laskenta: Aivot ja koneen yhdistäminen

Vaikka perinteiset tekoälyjärjestelmät perustuvat digitaalisiin tekoälyverkkoihin, tulevaisuus saattaa olla hermonorfisessa laskennassa. Florian Marquardt, johtaja Max Planck -instituutissa ja professori Erlangenin yliopistossa, selitti perinteisten tekoälyjärjestelmien heikkoudet.

“Vain prosessorin ja muistin välinen datasiirto kuluttaa merkittävän määrän energiaa”, Marquardt korosti, huomauttaen tehokkuuden puutteista suurten neuroverkkojen koulutuksessa.

Hermonorfinen laskenta ottaa vaikutteita ihmisaivoista, prosessoiden dataa rinnakkain eikä peräkkäin. Periaatteessa aivojen synapsit toimivat sekä prosessorina että muistina. Järjestelmät, jotka jäljittelevät näitä ominaisuuksia, kuten valosirkuitit, jotka käyttävät valoa laskemiseen, ovat parhaillaan kehityksessä.

Tekoälyn koulutus itseoppivilla fyysisillä koneilla

Yhteistyössä väitöskirjatutkija Víctor López-Pastorin kanssa Marquardt esitteli innovatiivisen koulutusmenetelmän hermonorfisille tietokoneille. Heidän “itseoppiva fyysinen kone” perustuu olennaisesti fyysiseen prosessiin, jossa ulkopuolinen palaute on tarpeeton. “Tämä tekee koulutuksesta paljon tehokkaamman”, Marquardt korosti, viitaten siihen, että tämä menetelmä säästäisi sekä energiaa että laskentaaikaa.

Tämä uraauurtava tekniikka vaatii kuitenkin tiettyjä vaatimuksia. Prosessin on oltava kääntävä, jotta energiahäviö on minimi, ja riittävän monimutkainen tai epälineaarinen. “Vain epälineaariset prosessit voivat suorittaa monimutkaiset muunnokset syötedatan ja tuloksien välillä”, Marquardt totesi, piirtäen eron lineaarisen ja epälineaarisen toiminnan välille.

Kohti käytännön soveltamista

Tutkijoiden teoreettinen työ on linjassa käytännön soveltamisen kanssa. Yhteistyössä kokeellisen tiimin kanssa he kehittävät optista hermonorfista tietokonetta, joka prosessoi tietoa yhdistetyillä valoaalloilla. Heidän tavoitteensa on selvä: toteuttaa itseoppiva fyysinen kone -konsepti.

“Toivomme esittelevämme ensimmäisen itseoppivan fyysisen koneen kolmen vuoden kuluttua”, Marquardt arvioi, viitaten siihen, että nämä tulevat verkot pystyisivät käsittelemään enemmän dataa ja koulutettavat suuremmilla datasarjoilla kuin nykyiset järjestelmät. Ottaen huomioon tekoälyn kasvavat vaatimukset ja nykyisten järjestelmien sisäiset tehokkuuden puutteet, siirtyminen tehokkaasti koulutettuihin hermonorfisiin tietokoneisiin näyttää sekä välttämättömältä että lupaavalta.