Uusi järjestelmä pyrkii ratkaisemaan tekoälynhallinnan energiankulutuksen ongelman

Tietokoneet, jotka riippuvat tekoälystä, tarvitsevat paljon energiaa, ja tämä laskentavaatimus on noin kaksinkertaistunut kolmen tai neljän kuukauden välein. Pilvipalveluiden tietokeskuksissa, joita käytetään tekoäly- ja koneoppimissovelluksissa, käytetään enemmän sähköä vuodessa kuin joissakin pienissä maissa. Monet tutkijat varoittavat, että tämä järjestelmä on kestämätön.

Tutkijaryhmä, jota johtaa Washingtonin yliopisto, on kehittänyt ratkaisun, joka auttaa ratkaisemaan tämän ongelman – uuden optisen laskentakoneen tekoälylle ja koneoppimiselle. Tämä laite on nopeampi ja paljon energiatehokkaampi kuin perinteinen elektroniikka. Se auttaa myös ratkaisemaan “melun”, joka johtuu optisesta laskennasta, joka voi häiritä laskennan tarkkuutta.

Tutkimus julkaistiin 21. tammikuuta Science Advances-julkaisussa.

Melin käyttäminen syötteenä

Tutkimusartikkelissa tiimi osoitti, miten optinen laskentajärjestelmä tekoälylle ja koneoppimiselle voisi käyttää osaa melusta syötteenä parantamaan tekoälyverkon luovaa tuotantoa järjestelmässä.

Changming Wu on Washingtonin yliopiston tohtorikoulutettava sähkö- ja tietotekniikassa ja tutkimusartikkelin ensisijainen tekijä.

“Olemme rakentaneet optisen tietokoneen, joka on nopeampi kuin perinteinen digitaalinen tietokone”, Wu sanoi. “Ja tämä optinen tietokone voi luoda uusia asioita satunnaisista syötteistä, jotka generoidaan optisesta melusta, jota useimmat tutkijat yrittivät välttää.”

Optisen laskennan melu johtuu siirtymävalo-osumista eli fotoneista. Ne tuotetaan laitteen sisäisistä lasereista ja taustasäteilyn lämmitysvaikutuksesta. Melun kohdistamiseksi tiimi yhdisti optisen laskentaytimensä generatiiviseen vastakkaisuusverkkoon (GAN). He testasivat erilaisia melun vähentämistekniikoita, kuten osan generoidusta melusta satunnaisina syötteinä GAN:lle.

Tiimi opetti GAN:lle, miten käsinkirjoittaa numero “7” ihmisen tavoin, mikä tarkoitti, että se joutui oppimaan tehtävän havainnoimalla visuaalisia esimerkkejä käsinkirjoituksesta ennen harjoittelua toistuvasti. Optisen tietokoneen muodossa se joutui generoimaan digitaalisia kuvia, joilla oli samanlainen tyyli kuin esimerkeillä.

Mo Li on Washingtonin yliopiston sähkö- ja tietotekniikan professori ja tutkimusartikkelin vastaava tekijä.

“Sen sijaan, että koulutimme verkkoa lukemaan käsinkirjoitettuja numeroita, koulutimme verkkoa oppimaan kirjoittamaan numeroita, jäljitellen visuaalisia esimerkkejä käsinkirjoituksesta, jolle se oli koulutettu”, Li sanoi. “Me, yhdessä tietotekniikan yhteistyökumppaneidemme kanssa Duke Universityssa, osoitimme myös, että GAN voi vähentää optisen laskentalaitteen melun negatiivista vaikutusta käyttämällä koulutusalgoritmiä, joka on robusti virheille ja melulle. Enemmän kuin se, verkkoon käytetään melua satunnaisena syötteenä, jota tarvitaan tulosten generoimiseen.”

Kun GAN jatkoi harjoittelua numeron “7” kirjoittamisessa, se kehitti oman erityisen kirjoitustyylin. Se pystyi lopulta kirjoittamaan numeroita yhdestä kymmeneen tietokonesimulaatioissa.

Laajemman laitteen rakentaminen

Tiimi aikoo nyt rakentaa laitetta laajemmassa mittakaavassa nykyisen puolijohdeteollisuuden valmistusteknologian avulla, mikä parantaa suorituskykyä ja mahdollistaa tiimin suorittaa monimutkaisempia tehtäviä.

“Tämä optinen järjestelmä edustaa tietokoneen laitteistokaiteaa, joka voi parantaa tekoälyverkkojen luovuutta, joita käytetään tekoälyssä ja koneoppimisessa, mutta ennen kaikkea se osoittaa järjestelmän toteutettavuuden laajassa mittakaavassa, jossa melu ja virheet voidaan vähentää ja jopa hyödyntää”, Li sanoi. “Tekoälysovellukset kasvavat niin nopeasti, että tulevaisuudessa niiden energiankulutus tulee olemaan kestämätön. Tämä teknologia voi auttaa vähentämään energiankulutusta, mikä tekee tekoälystä ja koneoppimisesta ympäristöystävällisiä – ja nopeampia, saavuttaen korkeamman suorituskyvyn yleensä.