Sistem Baru Bertujuan Menyelesaikan Masalah Konsumsi Energi AI

Komputer yang bergantung pada kecerdasan buatan (AI) memerlukan banyak energi, dan kebutuhan daya komputasi ini hampir dua kali lipat setiap tiga hingga empat bulan. Ketika datang ke pusat data cloud-computing, yang digunakan oleh aplikasi AI dan pembelajaran mesin, mereka menggunakan lebih banyak daya listrik per tahun daripada beberapa negara kecil. Banyak peneliti memperingatkan bahwa sistem ini tidak berkelanjutan.

Tim peneliti yang dipimpin oleh Universitas Washington telah mengembangkan solusi untuk membantu menyelesaikan masalah ini – perangkat keras komputasi optik baru untuk AI dan pembelajaran mesin. Perangkat keras ini lebih cepat dan jauh lebih hemat energi daripada elektronik konvensional. Ini juga membantu menyelesaikan ‘noise’ yang disebabkan oleh komputasi optik, yang dapat mengganggu presisi komputasi.

Penelitian ini diterbitkan pada 21 Januari di Science Advances.

Menggunakan Kebisingan sebagai Input

Dalam makalah penelitian, tim menunjukkan bagaimana sistem komputasi optik untuk AI dan pembelajaran mesin dapat menggunakan beberapa kebisingan sebagai input untuk meningkatkan output kreatif jaringan saraf buatan (ANN) dalam sistem.

Changming Wu adalah mahasiswa doktoral di Universitas Washington dan penulis utama makalah ini.

“Kami telah membangun komputer optik yang lebih cepat daripada komputer digital konvensional,” kata Wu. “Dan juga, komputer optik ini dapat menciptakan hal-hal baru berdasarkan input acak yang dihasilkan dari kebisingan optik yang sebagian besar peneliti coba hindari.”

Kebisingan komputasi optik disebabkan oleh partikel cahaya yang tidak diinginkan, atau foton. Ini diproduksi oleh laser dalam perangkat dan radiasi termal latar belakang. Untuk menargetkan kebisingan, tim menghubungkan inti komputasi optik mereka ke jaringan adversarial generatif (GAN). Mereka kemudian menguji berbagai teknik mitigasi kebisingan, seperti menggunakan beberapa kebisingan yang dihasilkan sebagai input acak untuk GAN.

Tim memberitahu GAN untuk belajar menulis angka ‘7’ seperti manusia, yang berarti harus belajar tugas dengan mengamati sampel visual tulisan tangan sebelum berlatih berulang kali. Karena bentuknya, komputer optik harus menghasilkan gambar digital yang memiliki gaya yang sama dengan sampel.

Mo Li adalah profesor di Universitas Washington dan penulis senior makalah ini.

“Bukannya melatih jaringan untuk membaca angka tulisan tangan, kami melatih jaringan untuk belajar menulis angka, meniru sampel visual tulisan tangan yang dilatih,” kata Li. “Kami, dengan bantuan kolaborator ilmu komputer di Duke University, juga menunjukkan bahwa GAN dapat mitigasi dampak negatif kebisingan perangkat keras komputasi optik dengan menggunakan algoritma pelatihan yang tahan terhadap kesalahan dan kebisingan. Lebih dari itu, jaringan sebenarnya menggunakan kebisingan sebagai input acak yang diperlukan untuk menghasilkan contoh output.”

Ketika GAN terus berlatih menulis angka, itu mengembangkan gaya penulisan yang unik. Akhirnya, itu dapat menulis angka dari satu hingga 10 dalam simulasi komputer.

Membangun Perangkat Skala Lebih Besar

Tim sekarang akan membangun perangkat pada skala yang lebih besar melalui penggunaan teknologi manufaktur semikonduktor saat ini, yang akan meningkatkan kinerja dan memungkinkan tim untuk melakukan tugas yang lebih kompleks.

“Sistem optik ini mewakili arsitektur perangkat keras komputer yang dapat meningkatkan kreativitas jaringan saraf buatan yang digunakan dalam AI dan pembelajaran mesin, tetapi lebih penting, itu menunjukkan viabilitas untuk sistem ini pada skala besar di mana kebisingan dan kesalahan dapat diminimalkan dan bahkan dapat dimanfaatkan,” kata Li. “Aplikasi AI tumbuh sangat cepat sehingga di masa depan, konsumsi energinya akan tidak berkelanjutan. Teknologi ini memiliki potensi untuk membantu mengurangi konsumsi energi tersebut, membuat AI dan pembelajaran mesin berkelanjutan secara lingkungan – dan sangat cepat, mencapai kinerja yang lebih tinggi secara keseluruhan.