Az új rendszer célja a mesterséges intelligencia energiafogyasztási problémájának megoldása

A mesterséges intelligenciára (AI) támaszkodó számítógépek sok energiát igényelnek, és ez a számítási teljesítményigény három-négy havonta nagyjából megduplázódik. A mesterséges intelligencia és a gépi tanulási alkalmazások által használt felhőalapú számítástechnikai adatközpontok évente több elektromos energiát fogyasztanak, mint néhány kis ország. Sok kutató arra figyelmeztet, hogy ez a rendszer fenntarthatatlan. 

A Washingtoni Egyetem vezette kutatók egy olyan megoldást dolgoztak ki, amely segít megoldani ezt a problémát – új optikai számítástechnikai hardvert az AI-hoz és a gépi tanuláshoz. Ez a hardver gyorsabb és sokkal energiatakarékosabb, mint a hagyományos elektronika. Segít az optikai számítástechnika által okozott „zaj” megoldásában is, amely zavarhatja a számítási pontosságot.

A kutatás január 21-én jelent meg Tudomány előlegek.

Zaj használata bemenetként

A kutatási cikkben a csapat bemutatta, hogy egy mesterséges intelligencia és gépi tanulás céljára szolgáló optikai számítástechnikai rendszer hogyan használhatja fel a zaj egy részét bemenetként a rendszeren belüli mesterséges neurális hálózat (ANN) kreatív kimenetének fokozására. 

Changming Wu az UW villamos- és számítástechnikai mérnöki doktorandusza és a cikk vezető szerzője. 

„Olyan optikai számítógépet építettünk, amely gyorsabb, mint egy hagyományos digitális számítógép” – mondta Wu. "És ez az optikai számítógép új dolgokat tud létrehozni az optikai zajból származó véletlenszerű bemenetek alapján, amelyeket a legtöbb kutató megpróbált kikerülni."

Az optikai számítási zajt szórt fényrészecskék vagy fotonok okozzák. Ezeket a készüléken belüli lézerek és a háttérhősugárzás állítják elő. A zaj megcélzása érdekében a csapat optikai számítástechnikai magját egy generatív ellenséges hálózathoz (GAN) kapcsolta. Ezután különböző zajcsökkentő technikákat teszteltek, például a generált zaj egy részét véletlenszerű bemenetként használták a GAN számára. 

A csapat azt mondta a GAN-nak, hogy tanulja meg kézzel írni a 7-es számot, mint egy ember, ami azt jelentette, hogy a kézírás vizuális mintáinak megfigyelésével kellett megtanulnia a feladatot, mielőtt újra és újra gyakorolná. Az optikai számítógépnek formájából adódóan a mintákhoz hasonló stílusú digitális képeket kellett generálnia.

Mo Li az UW villamos- és számítástechnikai professzora és a tanulmány vezető szerzője. 

„Ahelyett, hogy a hálózatot a kézzel írt számok olvasására oktattuk volna, arra tanítottuk a hálózatot, hogy tanuljon meg számokat írni, utánozva a kézírás vizuális mintáit, amelyre betanították” – mondta Li. „A Duke Egyetemen dolgozó számítástechnikai munkatársaink segítségével azt is megmutattuk, hogy a GAN képes mérsékelni az optikai számítástechnikai hardver zajainak negatív hatását egy olyan tanító algoritmus használatával, amely ellenáll a hibáknak és zajoknak. Sőt, a hálózat valójában véletlenszerű bemenetként használja a zajokat, amelyek a kimeneti példányok generálásához szükségesek.

Ahogy a GAN folytatta a számírás gyakorlását, kialakította saját jellegzetes írási stílusát. Végül számítógépes szimulációkban képes volt számokat írni egytől 10-ig. 

Nagyobb léptékű eszköz építése

A csapat most arra törekszik, hogy az eszközt nagyobb léptékben építse meg a jelenlegi félvezetőgyártási technológia használatával, amely javítja a teljesítményt, és lehetővé teszi a csapat számára, hogy összetettebb feladatokat hajtson végre. 

„Ez az optikai rendszer olyan számítógépes hardverarchitektúrát képvisel, amely fokozhatja a mesterséges intelligenciában és a gépi tanulásban használt mesterséges neurális hálózatok kreativitását, de ami még fontosabb, demonstrálja a rendszer életképességét nagy léptékben, ahol a zaj és a hibák mérsékelhetők, sőt kihasználhatók. – mondta Li. „A mesterséges intelligencia alkalmazások olyan gyorsan növekednek, hogy a jövőben az energiafogyasztásuk fenntarthatatlan lesz. Ez a technológia segíthet csökkenteni ezt az energiafogyasztást, így a mesterséges intelligencia és a gépi tanulás környezeti szempontból fenntarthatóvá válik – és nagyon gyors, összességében magasabb teljesítményt érhet el.