Fysiikka voi muuttaa laskennan ja tekoälyä ikuisiksi ajoiksi

Poiketen useiden vuosikymmenien laskennan perinteestä, Unconventional AI:n tutkijaryhmä on kehittänyt menetelmän kuvien generoimiseksi, joka perustuu ei piirilevyihin ja sähkövirtoihin, jotka voimistavat nykyiset tekoälyjärjestelmät, vaan itse fysiikan peruslakien varaan.

Järjestelmä, jota kutsutaan Un-0:ksi, edustaa uutta filosofiaa tekoälykehityksessä: tutkijat etsivät, voivatko luonnon matemaattiset mallit suorittaa saman laskennan työn käyttäen noin 1000-kertaa vähemmän energiaa.

Energia ja tehokkuus

Tekoälyjärjestelmät, jotka ovat hallinneet teknologiamaisemaa, kuten neuroverkot, kielimallit ja suositusalgoritmit, vaativat valtavat määrät energiaa toiminnassa.

Näiden järjestelmien isännöivät tietokeskukset kuluttavat sähköä, joka vastaa pikkukaupungin tarpeita, herättäen huolenaiheita sekä ympäristövaikutuksista että pitkän aikavälin kestävyydestä.

Tutkijat arvioivat, että seuraavan merkittävän läpimurron saavuttaminen tekoälyn tehokkuudessa vaatii perustavanlaatuista uudenlaista lähestymistapaa siihen, miten koneet prosessoi tietoa.

Tämä toteama on saanut tutkijat etsimään luonnosta inspiraatiota, tutkimalla biologisia ja fysikaalisia järjestelmiä, jotka ovat kehittyneet miljoonien vuosien ajan ratkaisemaan monimutkaisia ongelmia hämmästyttävällä tehokkuudella.

Ymmärtäminen kytkettyjä oskillaattoreita

Un-0:n ydin on yksinkertainen, mutta petollinen fysiikan käsite: kytketyt oskillaattorit.

Ymmärtääkseen tämän, voi kuvitella parin metronomin, musiikin harjoitteluun käytettävän laitteen. Jos kaksi metronomia asetetaan samaan pöytään ja asetetaan eri tahtiin, tapahtuu jotain hämmästyttävää. Värähtelyjen kautta pinnassa, jolla ne ovat, metronomit vaikuttavat toisiinsa, kunnes lopulta pääsevät yhdenmukaisuuteen ja tikittävät yhteen.

Tämä yhdenmukaisuus noudattaa tarkkoja matemaattisia periaatteita, jotka on tutkittu fysiikassa yli sadan vuoden ajan. Oskillaattorien välinen vuorovaikutus luo järjestyksen malleja, jotka syntyvät ilman ulkoista ohjausta tai valvontaa; ne järjestäytyvät itsestään.

Kuvittele nyt tämän käsitteen laajentuminen dramaattisesti. Sen sijaan, että kaksi metronomia, kuvittele tuhansia oskilloivia yksiköitä, joista jokainen pystyy vaikuttamaan jokaiseen muuhun yksikköön ympärillään.

Jokaisella oskillaattorilla on useita ominaisuuksia: luonnollinen taajuus, jolla se haluaa pyöriä, vaihekulma, joka kuvaa sen nykyistä sijaintia sen oskillaatiokierrossa, ja yhteydet muihin oskillaattoreihin, jotka määrittävät, kuinka voimakkaasti jokainen pari vaikuttaa toisiinsa.

Nämä yhteydet, joita kutsutaan kytkentävoimiksi, ovat se, mitä Un-0 oppii koulutuksen aikana.

Tämä järjestelmä vastaa matemaattisia malleja, jotka tunnetaan Kuramoto-oscillaattoreina, nimetty fyysikko Yoshiki Kuramoton mukaan, joka tutki tällaisia järjestelmiä vuosikymmeniä sitten. Viime aikoihin asti nämä mallit ovat olleet pääosin teoreettisia.

Un-0 osoittaa, että ne voidaan skaalata käsittelemään käytännön tekoälyongelmia aiemmin konventionaalisen syvän oppimisen alalla pidetyllä tasoilla.

Suorituskyky ja vertailu

Testit ovat osoittaneet, että Un-0 saavuttaa kuvanlaadun, joka on vertailukelpoinen johtaviin tekoälykuvien generointimenetelmiin useita vuosia sitten.

Standardibenchmarkissa ImageNet 64×64 Un-0 saavutti laadun, joka vastasi johtavien konventionaalisten generointijärjestelmien suorituskykyä, kun ne julkaistiin ensimmäisen kerran.

Tämä edustaa ei tappiota eikä läpimurtoa. Se osoittaa periaatteen todistamista: fysiikan dynamiikkaan perustuvat järjestelmät voivat generoida kuvia laadulla, jota aiemmin pidettiin syvän oppimisen yksinoikeutena, yksityiskohta, joka viittaa merkittäviin tulevaisuuden kehitysmahdollisuuksiin.

Tutkijat myöntävät, että nykyiset huipputasoiset järjestelmät, jotka ovat kehittyneet vuosien ajan, ylittävät edelleen Un-0:n suorituskyvyn. He kuitenkin korostavat, että konventionaalisten kuvageneraattorien alkuvaiheessa saavutettiin vaatimattomia tuloksia ennen kuin vuosikymmenien ajan optimointi muutti ne nykyisiksi kehittyneiksi työkaluiksi.

Miksi fysiikkaan perustuva laskenta on tärkeää

Un-0:n merkitys ulottuu paljon laajemmin kuin kuvien generointi. Järjestelmät, jotka perustuvat fysiikan dynamiikkaan suorittamaan tekoälytehtäviä käyttäen tuhannen kertaa vähemmän energiaa kuin perinteiset lähestymistavat, vaikutukset olisivat muuntavia.

Tällaiset tehokkuusparannukset voisivat mahdollistaa tekoälysovellukset, jotka toimivat mobiililaitteissa, upotetuissa järjestelmissä ja kaukaisissa sijainneissa ilman massiivisia tietokeskuksia.

Lisäksi nämä järjestelmät voisivat lopulta toteutua suoraan fysikaalisessa laitteistossa, piirilevyissä, jotka simuloivat luonnollisia fysikaalisia prosesseja sen sijaan, että ne suorittaisivat ohjelmoitua koodia. Tällaiset “epätavalliset alustat”, kuten tutkijat niitä kutsuvat, edustaisivat todella erilaisen tietokoneen tyyppiä.

Laajempi maisema

Un-0 ei ole ainoa tutkimushanke, joka tutkii konventionaalisten neuroverkkojen vaihtoehtoja.

Tutkijat akateemisissa ja teollisuuspiireissä tutkivat järjestelmiä, jotka ovat inspiroitu termodynaamisista periaatteista, analogisista piireistä, kvanttimekaniikasta ja muista fysiikan osa-alueista.

Nämä lähestymistavat jakavat yhteisen motivaation: perinteiset lähestymistavat ovat lähes saavuttaneet käytännön rajojaan energiatehokkuuden suhteen. Merkittävät edistysaskeleet saattavat vaatia laskennan uudelleenmäärittelyä.

Tutkimusyhteisö on mukana haasteessa, jota voidaan kuvailla suureksi haasteeksi: voimmeko suunnitella tekoälyjärjestelmiä uudelleen siten, että ne noudattavat periaatteita, jotka ovat ohjanneet biologisia ja fysikaalisia järjestelmiä miljardien vuosien ajan? Jos tämä onnistuu, se edustaisi perustavanlaatuista uudelleenmäärittelyä siitä, mitä tietokoneet ovat ja miten ne toimivat.

Nykyiset rajoitukset ja tulevaisuuden suunnat

Un-0-järjestelmä on edelleen kokeellinen. Se toimii suhteellisen matalilla kuvaresoluutioilla ja ei ole vielä saavuttanut nykyisten järjestelmien suorituskykyä.

Huolimatta kaikista saavutetuista edistysaskeleista, koulutusprosessi edellyttää edelleen perinteistä laskentaa ja merkittävää aikaa.

Tutkijat ovat julkaisseet työnsä avoimesti, julkaisemalla koulutuskoodeja ja yksityiskohtaisia analyysejä tuloksistaan, heijastaen sitoutumista tähän lähestymistapaan, joka edustaa uutta suuntaa, jota monet tutkijat voivat tutkia ja jalostaa.

Kun tekoälyjärjestelmät tulevat yhä keskeisemmiksi modernissa yhteiskunnassa, etsintä tehokkaampien laskentamenetelmien kehittämiseksi siirtyy akateemisesta uteliaisuudesta käytännön välttämättömyydeksi. Un-0 on osoitus siitä, että ainakin yksi lupaava suunta on olemassa, ja että fysiikkaan perustuvan tekoälyn tutkimus on vasta alkanut.