ენერგოეფექტური AI: ახალი გარიჟრაჟი ნეირომორფული კომპიუტერებით

ხელოვნური ინტელექტის (AI) სწრაფად მზარდი სფერო ცნობილია თავისი ეფექტურობით, მაგრამ გააჩნია ენერგიის მნიშვნელოვანი ღირებულება. ა ახალი მიდგომაორი წამყვანი მეცნიერის მიერ შემოთავაზებული მაქს პლანკის სინათლის მეცნიერების ინსტიტუტის ერლანგენში, გერმანია, მიზნად ისახავს ხელოვნური ინტელექტის უფრო ეფექტურად მომზადებას, რაც პოტენციურად რევოლუციას მოახდენს AI მონაცემების დამუშავებაში.

ამჟამინდელი AI მოდელები მოიხმარენ ენერგიის დიდ რაოდენობას ვარჯიშის დროს. მიუხედავად იმისა, რომ ზუსტი მაჩვენებლები მიუწვდომელია, Statista-ს შეფასებით ვარაუდობენ, რომ GPT-3-ის სწავლება მოითხოვს დაახლოებით 1000 მეგავატ საათს, რაც უდრის 200 დიდი გერმანული ოჯახის წლიურ მოხმარებას. მიუხედავად იმისა, რომ ამ ენერგო ინტენსიურმა ტრენინგმა სრულყოფილად დააკონფიგურირა GPT-3 სიტყვების თანმიმდევრობის პროგნოზირებისთვის, არსებობს კონსენსუსი, რომ მას არ ესმოდა ასეთი ფრაზების თანდაყოლილი მნიშვნელობა.

ნეირომორფული გამოთვლა: ტვინისა და მანქანის შერწყმა

მიუხედავად იმისა, რომ ჩვეულებრივი ხელოვნური ინტელექტის სისტემები ეყრდნობა ციფრულ ხელოვნურ ნერვულ ქსელებს, მომავალი შესაძლოა ნეირომორფულ გამოთვლებში იყოს. ფლორიან მარკარდტმა, მაქს პლანკის ინსტიტუტის დირექტორმა და ერლანგენის უნივერსიტეტის პროფესორმა, გაარკვია ტრადიციული ხელოვნური ინტელექტის დაყენების ნაკლი.

”მხოლოდ პროცესორსა და მეხსიერებას შორის მონაცემთა გადაცემა მოიხმარს ენერგიის მნიშვნელოვან რაოდენობას”, - ხაზგასმით აღნიშნა მარკვარტმა და აღნიშნა, რომ არაეფექტურობაა უზარმაზარი ნერვული ქსელების ვარჯიშის დროს.

ნეირომორფული გამოთვლა შთაგონებას იღებს ადამიანის ტვინიდან, ამუშავებს მონაცემებს პარალელურად და არა თანმიმდევრულად. არსებითად, ტვინში სინაფსები ფუნქციონირებს როგორც პროცესორიც და მეხსიერებაც. ამ მახასიათებლების მიბაძვის სისტემები, როგორიცაა ფოტონიკური სქემები, რომლებიც გამოიყენებენ სინათლეს გამოთვლებისთვის, ამჟამად შესწავლის პროცესშია.

ხელოვნური ინტელექტის ვარჯიში თვითნასწავლი ფიზიკური მანქანებით

დოქტორანტ ვიქტორ ლოპეს-პასტორთან ერთად მუშაობდა მარკვარტმა ნეირომორფული კომპიუტერების ტრენინგის ინოვაციური მეთოდი. მათი „თვით სწავლის ფიზიკური მანქანა“ ფუნდამენტურად ოპტიმიზაციას უკეთებს თავის პარამეტრებს თანდაყოლილი ფიზიკური პროცესის მეშვეობით, რაც გარე გამოხმაურებას ზედმეტის ხდის. ”ამ უკუკავშირის არ საჭიროება ტრენინგს ბევრად უფრო ეფექტურს ხდის”, - ხაზგასმით აღნიშნა მარკვარტმა და ვარაუდობს, რომ ეს მეთოდი დაზოგავს როგორც ენერგიას, ასევე გამოთვლით დროს.

თუმცა, ამ ინოვაციურ ტექნიკას აქვს კონკრეტული მოთხოვნები. პროცესი უნდა იყოს შექცევადი, რაც უზრუნველყოფს ენერგიის მინიმალურ დანაკარგს და საკმარისად რთული ან არაწრფივი. „მხოლოდ არაწრფივ პროცესებს შეუძლიათ შეასრულონ რთული გარდაქმნები შეყვანის მონაცემებსა და შედეგებს შორის“, - თქვა მარკვარტმა და განასხვავა წრფივი და არაწრფივი ქმედებები.

პრაქტიკული განხორციელებისკენ

დუეტის თეორიული საფუძველი ემთხვევა პრაქტიკულ პროგრამებს. ექსპერიმენტულ გუნდთან თანამშრომლობით, ისინი ამუშავებენ ოპტიკურ ნეირომორფულ კომპიუტერს, რომელიც ამუშავებს ინფორმაციას ზედმიწევნითი სინათლის ტალღების გამოყენებით. მათი მიზანი ნათელია: ფიზიკური მანქანის კონცეფციის თვითსწავლის აქტუალიზაცია.

„ჩვენ ვიმედოვნებთ, რომ სამი წლის განმავლობაში წარმოგიდგენთ პირველ თვითმსწავლებელ ფიზიკურ მანქანას“, - პროგნოზირებდა მარკვარტი, რაც მიუთითებს იმაზე, რომ ეს მომავალი ქსელები უფრო მეტ მონაცემს ამუშავებენ და უფრო დიდი მონაცემთა ნაკრებით ივარჯიშებენ, ვიდრე თანამედროვე სისტემები. ხელოვნური ინტელექტის მიმართ მზარდი მოთხოვნილების და ამჟამინდელი დაყენების შინაგანი არაეფექტურობის გათვალისწინებით, ეფექტურად მომზადებული ნეირომორფული კომპიუტერებისკენ გადასვლა გარდაუვალი და პერსპექტიული ჩანს.

მარკვარტის სიტყვებით, „დარწმუნებულნი ვართ, რომ თვითნასწავლ ფიზიკურ მანქანებს აქვთ მყარი შანსი ხელოვნური ინტელექტის მიმდინარე ევოლუციაში“. სამეცნიერო საზოგადოება და ხელოვნური ინტელექტის ენთუზიასტები ერთნაირად სუნთქვაშეკრული ელიან მომავალს.