Energiatehokas tekoäly: Uusi aika hermomorfisten tietokoneiden myötä

Nopeasti kasvava tekoälyn (AI) ala on tunnettu suorituskyvystään, mutta se tulee suurella energiakustannuksella. Kahden johtavan tutkijan, jotka työskentelevät Max Planck -instituutissa valon tutkimuksen parissa Erlangenissä, Saksassa, ehdottama uusi lähestymistapa pyrkii kouluttamaan tekoälyä tehokkaammin, mikä voi vallankumouksellisesti muuttaa tapaa, jolla tekoäly prosessoi dataa.

Nykyiset tekoälymallit kuluttavat valtavat määrät energiaa koulutuksen aikana. Vaikka tarkat luvut ovatkin vaikeat saada, Statistan arvioiden mukaan GPT-3:n koulutus vaatii noin 1000 megawattituntia – vastaava kuin 200 suuren saksalaisen talouden vuotuinen kulutus. Vaikka tämä energiankestävä koulutus on viimeistellyt GPT-3:n ennustamaan sana-jonoja, on yleisesti hyväksytty, että se ei ole saavuttanut sana-jonojen sisäistä merkitystä.

Hermomorfinen laskenta: Aivot ja koneen yhdistäminen

Perinteiset tekoälyjärjestelmät perustuvat digitaalisiin tekoälyverkkoihin, mutta tulevaisuus saattaa olla hermomorfisessa laskennassa. Florian Marquardt, Max Planck -instituutin johtaja ja Erlangenin yliopiston professori, selitti perinteisten tekoälyjärjestelmien heikkouden.

“The data transfer between processor and memory alone consumes a significant amount of energy,” Marquardt highlighted, noting the inefficiencies when training vast neural networks.

Hermomorfinen 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.

Tehtävänopetus itseoppiville fyysisille koneille

Marquardt työskenteli yhdessä tohtorikoulutettavan Víctor López-Pastorin kanssa ja esitteli innovatiivisen koulutusmenetelmän hermomorfisille tietokoneille. Heidän “itseoppiva fyysinen kone” perustuu olennaisesti sisäiseen fyysiseen prosessiin, jossa ulkopuolinen palaute on tarpeeton. “Tämä palaute ei vaadi koulutusta, joten se tekee koulutuksesta 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 energiahävikki on minimi, ja riittävän monimutkainen tai epälineaarinen. “Vain epälineaariset prosessit voivat suorittaa monimutkaiset muunnokset syöte- ja tulostiedoissa”, Marquardt totesi, piirtäen eron lineaarisen ja epälineaarisen toiminnan välille.

Kohti käytännön soveltamista

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

“Toivomme esittävän ensimmäisen itseoppivan fyysisen koneen kolmen vuoden kuluttua”, Marquardt arvioi, viitaten siihen, että nämä tulevat verkot käsittelevät enemmän dataa ja koulutetaan suuremmilla datasarjoilla kuin nykyiset järjestelmät. Ottaen huomioon tekoälyn kasvavat vaatimukset ja nykyisten järjestelmien sisäiset tehokkuudet, siirtyminen tehokkaasti koulutettuihin hermomorfisiin tietokoneisiin näyttää sekä välttämättömältä että lupaavalta.

“Me uskomme, että itseoppivat fyysiset koneet ovat vahvoilla tekoälyn kehityksessä”, Marquardt totesi. Tiedeyhteisö ja tekoäly-entusiastit odottavat innostuneina, mitä tulevaisuus tuo.