Tutkijat käyttävät memristoreja luomaan energiatehokkaampia neuroverkkoja

Yksi epäglamoröösemmistä tekoälystä on, että se usein vaatii suuren määrän prosessointitehoa ja siksi sillä on usein suuri energianjalanjälki. Lontoon yliopiston (UCL) tutkijat ovat löytäneet tavalla parantaa tekoälyn energiatehokkuutta.

Neuroverkot ja koneoppiminen ovat voimakkaita työkaluja, mutta useimmat tekoälyn vaikuttavimmat saavutukset ovat yleensä suurella energiankulutuksella. Esimerkiksi kun OpenAI opetti robotti kädelle manipuloimaan Rubikin kuution, arvioitiin, että saavutus vaati noin 2,8 gigawattituntia sähköä.

TechExplore:n mukaan UCL:n tutkijat ovat suunnitelleet uuden menetelmän tekoälyverkkojen luomiseksi. Uusi menetelmä käyttää memristoreja verkkojen luomiseen, jotka ovat noin 1000 kertaa energiatehokkaampia kuin perinteisillä menetelmillä luodut verkot. Memristorit ovat laitteita, jotka voivat muistaa viimeksi kulkeutuneen sähkövirran määrän ja säilyttää muisti tilan, vaikka laite sammutetaan. Tämä tarkoittaa, että ne voivat muistaa tilansa, vaikka laite menettää virran. Vaikka memristoreja on teoreettisesti tutkittu noin 50 vuoden ajan, ensimmäinen todellinen memristori valmistettiin vasta vuonna 2008.

Memristoreja kutsutaan toisinaan “neuromorfisiksi” laskentalaitteiksi tai “aivoinspiroiduiksi” laitteiksi. Memristorit ovat samankaltaisia kuin aivojen rakennusosat, jotka käsittelevät tietoa ja luovat muistoja. Ne ovat erittäin tehokkaita verrattuna useimpiin nykyaikaisiin tietokonejärjestelmiin. Nämä memristorilaitteet omistavat piirteitä sekä kondensaattoreista että vastuksista, ja viimeisen kymmenen vuoden aikana niitä on valmistettu ja käytetty monissa muistilaitteissa. UCL:n tutkimusryhmä toivoo, että heidän tutkimuksensa auttaa näitä laitteita käytettäväksi tekoälyjärjestelmissä jo muutamassa vuodessa.

Vaikka memristorit ovat perinteisesti vähemmän tehokkaita kuin tavalliset neuroverkot, UCL:n tutkijat löysivät tavalla parantaa memristorien tarkkuutta. Tutkijat totesivat, että kun käytetään useita memristoreja, ne voidaan jakaa useisiin alaryhmiin ja niiden laskelmat voidaan keskiarvoistaa. Laskelmien keskiarvoistaminen auttaa poistamaan virheitä alaryhmissä ja löytämään tärkeämmät mallit.

Tohtori Adnan Mehonic ja Ph.D. -opiskelija Dovydas Joksas (molemmat UCL Electronic and Electrical Engineering) ja heidän kanssaan tekemänsä tutkimus osoitti, että tämä keskiarvoistamismenetelmä paransi tarkkuutta kaikissa testatuissa memristoreissa, ei vain yhdessä tai kahdessa. Tarkkuuden parantuminen koski kaikkia testattuja ryhmiä, riippumatta siitä, mistä materiaalista memristori valmistettiin.

Tohtori Mehonicin mukaan, kuten TechExplore kirjoittaa:

“Toivomme, että on olemassa yleisempiä lähestymistapoja, jotka parantavat ei laitteen tasolla vaan järjestelmän tasolla, ja uskomme löytäneensä sellaisen. Lähestymistapamme osoittaa, että memristoreiden kohdalla useampi pää on parempi kuin yksi. Neuroverkon järjestäminen useaksi pienemmäksi verkoksi yhden suuren verkkojen sijaan johti suurempaan tarkkuuteen yleensä.”

Tutkimusryhmä oli innoissaan siitä, että he olivat soveltaneet tietojenkäsittelytekniikkaa memristoreihin ja käyttäneet yleistä virheiden välttämismenetelmää (laskelmien keskiarvoistamista) parantaakseen memristoriverkkojen tarkkuutta. Tutkimuksen tekijä, professori Tony Kenyon UCL Electronic & Electrical Engineering, uskoo, että memristorit voivat “otaa johtavan aseman” energiatehokkaampien reunatietokoneiden ja IoT-laitteiden luomisessa.

Memristorit eivät ole ainoastaan energiatehokkaampia kuin perinteiset neuroverkkomallit, vaan ne voidaan myös helposti sisällyttää käsiin pidettävään, liikkuvaan laitteeseen. Tämä on tärkeää lähitulevaisuudessa, kun enemmän dataa luodaan ja siirretään jatkuvasti, vaikka siirtokapasiteetin lisääminen on vaikeaa. Memristorit voivat auttaa siirtämään suuria tietomääriä pienemmällä energiakustannuksella.