연구자들이 Memristors를 사용하여 더 에너지 효율적인 신경 네트워크를 생성하다

인공 지능의 덜 화려한 측면 중 하나는 종종大量의 처리 능력이 필요하므로 종종 큰 에너지 자취를 남긴다는 것이다. UCL의 연구자들이 수행한 최근 연구에서는 AI의 에너지 효율성을 개선하는 방법을 발견했다.

신경 네트워크와 기계 학습은 강력한 도구이지만, 인공 지능의 가장 인상적인 업적은通常 큰 에너지 비용을 수반한다. 예를 들어, OpenAI가 로봇 손을 사용하여 루빅스 큐브를 조작하는 방법을 가르쳤을 때, 이 업적은 약 2.8 기가와트시의 전기를 사용했다고 추정된다.

TechExplore에 따르면, UCL의 연구자들은 새로운 인공 신경 네트워크 생성 방법을 설계했다. 새로운 방법은 memristors를 사용하여 네트워크를 생성하며, memristors는 전통적인 접근 방식으로 생성된 네트워크보다 약 1000배 더 에너지 효율적이다. memristors는 마지막으로 흐른 전기 충전량을 기억할 수 있는 장치로, 전원이 꺼져도 기억 상태를 유지할 수 있다. 즉, memristors는 전원이 꺼져도 상태를 기억할 수 있다. memristors는 약 50년 전 처음으로 이론화되었지만, 실제 memristor는 2008년까지 생성되지 않았다.

memristors는 때때로 “신경 형태” 컴퓨팅 장치 또는 “뇌 영감” 장치라고 불린다. memristors는 뇌가 정보를 처리하고 기억을 생성하는 데 사용하는 빌딩 블록과 유사하다. memristors는 대부분의 현대 컴퓨터 시스템보다 훨씬 더 효율적이다. 이러한 memristor 장치는 커패시터와 저항기의 특성을 가지고 있으며, 지난 10년 동안 다양한 메모리 장치에서 제조되고 사용되었다. UCL 연구 팀은 их 연구가 memristors를 사용하여 AI 시스템을 생성하는 데 도움이 될 것이라고 희망한다.

memristors는 전통적으로 정상적인 신경 네트워크보다 훨씬 덜 효율적이지만, UCL 연구자들은 memristors의 정확도를提高하는 방법을 발견했다. 연구자들은 여러 memristors를 사용하여 계산을 평균화함으로써 정확도를提高할 수 있음을 발견했다. 계산의 평균화는 하위 그룹의 결함을 상쇄하고 더 관련된 패턴을 찾는 데 도움이 된다.

Adnan Mehonic 박사와 Dovydas Joksas 박사 과정 학생(둘 다 UCL 전자 및 전기 공학)과 공동 저자는 다양한 memristor 유형에서 이 평균화 접근 방식을 테스트했으며, 이 기술이 모든 테스트된 memristor에서 정확도를提高하는 것으로 나타났음을 발견했다. 정확도 향상은 테스트된 모든 그룹에서 적용되었으며, memristor가 만들어진 재료의 유형과 상관없이如此であった.

TechExplore에 따르면, Mehonic 박사는 다음과 같이 말한다.

“우리는 장치 수준이 아닌 시스템 수준의 행동을 개선하는 더 일반적인 접근 방식을 희망했으며, 우리는 하나를 발견했다고 믿는다. 우리의 접근 방식은 memristors의 경우 여러 개의 머리가 하나보다 낫다는 것을 보여준다. 신경 네트워크를 하나의 큰 네트워크로 구성하는 대신 여러 작은 네트워크로 구성하면 전체 정확도가 더 높아진다.”

연구 팀은 컴퓨터 과학 기술을 memristors에 적용하고 평균화 계산을 사용하여 memristor 신경 네트워크의 정확도를提高하는 데 성공했다는 사실에 대해 흥奮했다. 연구의 공동 저자인 Tony Kenyon 교수(UCL 전자 및 전기 공학)는 memristors가 에너지 효율적인 에지 컴퓨팅 장치 및 IoT 장치를 생성하는 데 주요 역할을 할 수 있다고 믿는다.

memristors는 전통적인 신경 네트워크 모델보다 더 에너지 효율적이며, 손으로 들 수 있는 모바일 장치에 쉽게 포함될 수 있다. 이는 가까운 미래에 중요성이 증가할 것으로 예상된다. 더 많은 데이터가 생성되고 전송되기 때문이다. memristors는 에너지 비용의 한계를 넘어서大量의 데이터를 전송하는 데 도움이 될 수 있다.