Tutkijat käyttävät memristoreita luodakseen energiatehokkaampia hermoverkkoja

Yksi tekoälyn vähemmän lumoava puoli on, että se vaatii usein paljon prosessointitehoa ja siksi sillä on usein suuri energiajalanjälki. UCL:n tutkijoiden viimeaikainen työ on määrittänyt menetelmän tekoälyn energiatehokkuuden parantamiseksi.

Neuroverkot ja koneoppiminen ovat tehokkaita työkaluja, mutta tekoälyn vaikuttavimpiin saavutuksiin liittyy yleensä suuri energiakustannus. Esimerkiksi kun OpenAI opetti robottikättä käsittelemään Rubikin kuutiota, arvioitiin, että saavutus kulutti noin 2.8 gigawattituntia sähköä.

TechExploren mukaan, UCL:n tutkijat ovat suunnitelleet uuden menetelmän keinotekoisten hermoverkkojen luomiseksi. Uusi menetelmä hyödyntää verkon luomiseen memristoreita, jotka ovat noin 1000 kertaa energiatehokkaampia kuin perinteisillä menetelmillä luodut verkot. Memristorit ovat laitteita, jotka pystyvät muistamaan viimeksi niiden läpi kulkeneen sähkövarauksen määrän säilyttäen tämän muistitilan sen jälkeen, kun ne on sammutettu. Tämä tarkoittaa, että he muistavat tilansa, vaikka laitteen virta katkeaisi. Vaikka memristorit teoriassa ensimmäisen kerran noin 50 vuotta sitten, todellinen memristori luotiin vasta vuonna 2008.

Memristoreita kutsutaan toisinaan "neuromorfisiksi" tietokonelaitteiksi tai "aivovaikutteisiksi" laitteiksi. Memristorit ovat samanlaisia ​​kuin rakennuspalikoita, joita aivot käyttävät tietojen käsittelyyn ja muistojen luomiseen. Ne ovat erittäin tehokkaita verrattuna useimpiin nykyaikaisiin tietokonejärjestelmiin. Näissä muistilaitteissa on kondensaattoreita ja vastuksia, ja viimeisen vuosikymmenen aikana niitä on valmistettu ja käytetty erilaisissa muistilaitteissa. UCL:n tutkimusryhmät toivovat, että heidän tutkimuksensa auttaa näitä laitteita käyttämään tekoälyjärjestelmien luomiseen muutaman vuoden sisällä.

Huolimatta lisääntyneestä energiatehokkuudestaan ​​memristorit ovat perinteisesti paljon vähemmän tehokkaita kuin tavalliset neuroverkot, mutta UCL-tutkijat löysivät tavan lisätä memristoreiden tarkkuutta. Tutkijat havaitsivat, että kun käytetään monia memristoreita, ne voidaan jakaa useisiin alaryhmiin ja laskea niiden laskelmien keskiarvot yhteen. Laskelmien keskiarvon laskeminen auttaa alaryhmien puutteet kumoamaan toisensa ja löytämään osuvammat kuviot.

Dr. Adnan Mehonic ja Ph.D. opiskelija Dovydas Joksas (sekä UCL Electronic- että Electrical Engineering) ja heidän kirjoittajansa testasivat tätä keskiarvoistamismenetelmää eri memristorityypeillä ja havaitsivat, että tekniikka näytti parantavan tarkkuutta kaikissa testatuissa memristoreissa, ei vain yhdessä tai kahdessa. Tarkkuusparannukset koskivat kaikkia testattuja ryhmiä riippumatta materiaalityypistä, josta memristori oli valmistettu.

Tohtori Mehonicin mukaan as lainasi TechExplore:

"Toivoimme, että voisi olla olemassa yleisempiä lähestymistapoja, jotka eivät parantaisi laitetasoa, vaan järjestelmätason käyttäytymistä, ja uskomme, että löysimme sellaisen. Lähestymistapamme osoittaa, että kun on kyse memristoreista, useat päät ovat parempia kuin yksi. Neuraaliverkon järjestäminen useisiin pienempiin verkkoihin yhden suuren verkon sijaan johti suurempaan tarkkuuteen.

Tutkimusryhmä oli innoissaan omaksuneensa tietojenkäsittelytekniikan ja soveltaessaan memristoreihin myös yleistä virheiden välttämistekniikkaa (keskiarvolaskutoimituksia) memristiivisten hermoverkkojen tarkkuuden lisäämiseksi. Tutkimuksen toinen kirjoittaja, UCL Electronic & Electrical Engineeringin professori Tony Kenyon uskoo, että memristorit voisivat "ottaa johtavan roolin" luotaessa enemmän energiaa kestävämpiä reunalaskentalaitteita ja IoT-laitteita.

Memristorit eivät ole pelkästään energiatehokkaampia kuin perinteiset hermoverkkomallit, vaan ne voidaan helposti sisällyttää kädessä pidettävään mobiililaitteeseen. Tämän ennustetaan kasvavan tärkeämmäksi lähitulevaisuudessa, kun dataa syntyy ja siirretään koko ajan lisää, vaikka siirtokapasiteettia on vaikea kasvattaa tietyn pisteen yli. Memristorit voivat auttaa mahdollistamaan suurten tietomäärien siirron murto-osalla energiakustannuksista.