์ธ๊ณต์ง๋ฅ
์๋ก์ด ์์คํ , AI ์๋์ง ์๋น ๋ฌธ์ ํด๊ฒฐ์ ๋ชฉํ๋ก ํ๋ค
인공 지능(AI)을 사용하는 컴퓨터는 많은 에너지를 필요로 하며, 이러한 컴퓨팅 파워 요구 사항은 약 3~4개월마다 두 배로 증가한다. AI 및 기계 학습 애플리케이션에서 사용되는 클라우드 컴퓨팅 데이터 센터의 경우, 일부 작은 국가보다 더 많은 전기力を 사용한다. 많은 연구자들은 이 시스템이 지속 불가능하다고 경고한다.
와싱턴 대학교를 주도한 연구자 팀은 이 문제를 해결하기 위한 솔루션을 개발했다. 새로운 광학 컴퓨팅 하드웨어는 AI 및 기계 학습을 위한 것으로, 기존 전자 제품보다 더 빠르고 에너지 효율이 높다. 또한 광학 컴퓨팅으로 인해 발생하는 ‘노이즈’를 해결하여 컴퓨팅 精度를 향상시킨다.
이 연구는 1월 21일 Science Advances에 발표되었다.
노이즈를 입력으로 사용
연구 논문에서, 팀은 AI 및 기계 학습을 위한 광학 컴퓨팅 시스템이 일부 노이즈를 입력으로 사용하여 시스템 내의 인공 신경망(ANN)의 창의적 출력을 향상시킬 수 있음을 보여주었다.
창밍 우(Changming Wu)는 워싱턴 대학교의 전기 및 컴퓨터 공학 박사 과정 학생이며, 논문의 제1저자이다.
“우리는 기존 디지털 컴퓨터보다 빠른 광학 컴퓨터를 개발했다”라고 우는 말했다. “또한, 이 광학 컴퓨터는 대부분의 연구자들이 피하려고 했던 광학 노이즈에서 생성된 랜덤 입력을 기반으로 새로운 것을 만들 수 있다.”
광학 컴퓨팅 노이즈는 레이저 내의 방향성 광자 또는 열 복사에 의해 발생한다. 노이즈를 목표로 하기 위해, 팀은 광학 컴퓨팅 코어를 생성적 적대적 네트워크(GAN)에 연결하고, 노이즈 완화 기법을 테스트했다. 예를 들어, GAN을 위한 랜덤 입력으로 생성된 일부 노이즈를 사용했다.
팀은 GAN에게 인간과 같은 手書き의 ‘7’ 숫자를 작성하도록 지시했으며, 이는 手書き 샘플을 관찰하고 연습하는 것을 의미했다. 광학 컴퓨터의 형태로 인해, 디지털 이미지에 샘플과 유사한 스타일을 생성해야 했다.
모 리(Mo Li)는 워싱턴 대학교의 전기 및 컴퓨터 공학 교수이며, 논문의 공동저자이다.
“우리는 네트워크를 手書き 숫자를 읽는 것보다, 학습된 視覺 샘플을 모방하여 숫자를 작성하도록 훈련시켰다”라고 리는 말했다. “듀크 대학교의 컴퓨터 과학 협력자들의 도움으로, 우리는 오류 및 노이즈에 강한 훈련 알고리즘을 사용하여 GAN이 광학 컴퓨팅 하드웨어 노이즈의 부정적인 영향을 완화할 수 있음을 보여주었다. 더 나아가, 네트워크는 실제로 출력 인스턴스를 생성하기 위해 필요한 랜덤 입력으로 노이즈를 사용한다.”
GAN이 숫자를 작성하는 것을 계속 연습함에 따라, 독특한 글쓰기 스타일을 개발했다. 결국, 컴퓨터 시뮬레이션에서 1부터 10까지의 숫자를 작성할 수 있었다.
대규모 장치 구축
팀은 현재 반도체 제조 기술을 사용하여 더 큰 규모로 장치를 구축할 것이다. 이는 성능을 향상시키고, 더 복잡한 작업을 수행할 수 있을 것이다.
“이 광학 시스템은 AI 및 기계 학습에서 사용되는 인공 신경망의 창의성을 향상시킬 수 있는 컴퓨터 하드웨어 아키텍처를 나타낸다”라고 리는 말했다. “그러나 더 중요한 것은, 이 시스템이 대규모로 구축될 때 노이즈 및 오류를 완화하고甚至 활용할 수 있음을 보여준다. AI 애플리케이션은 매우 빠르게 성장하고 있으며,將來 에너지 소비는 지속 불가능할 것이다. 이 기술은 에너지 소비를 줄이고, AI 및 기계 학습을 환경적으로 지속 가능하게 만들 수 있을 뿐만 아니라, 전체적으로 성능을 향상시킬 수 있다.”
