Energoefektīvs AI: jauna rītausma ar neiromorfiskiem datoriem

Strauji augošā mākslīgā intelekta (AI) sfēra ir slavena ar savu veiktspēju, taču tai ir ievērojamas enerģijas izmaksas. A jauna pieeja, ko ierosināja divi vadošie zinātnieki Maksa Planka Gaismas zinātnes institūtā Erlangenā, Vācijā, mērķis ir efektīvāk apmācīt AI, potenciāli mainot veidu, kā AI apstrādā datus.

Pašreizējie AI modeļi treniņu laikā patērē milzīgu enerģijas daudzumu. Lai gan precīzi skaitļi ir nenotverami, Statistikas aprēķini liecina, ka GPT-3 apmācībai ir nepieciešamas aptuveni 1000 megavatstundas, kas atbilst 200 lielu Vācijas mājsaimniecību gada patēriņam. Lai gan šajā energoietilpīgajā apmācībā GPT-3 ir precīzi noregulēts, lai paredzētu vārdu secības, pastāv vienprātība, ka tā nav sapratusi šādu frāžu raksturīgās nozīmes.

Neiromorfā skaitļošana: smadzeņu un mašīnu sapludināšana

Lai gan parastās AI sistēmas balstās uz digitālajiem mākslīgajiem neironu tīkliem, nākotne var būt saistīta ar neiromorfu skaitļošanu. Florian Marquardt, Max Planck institūta direktors un Erlangenas universitātes profesors, izskaidroja tradicionālo AI iestatījumu trūkumus.

"Datu pārsūtīšana starp procesoru un atmiņu vien patērē ievērojamu enerģijas daudzumu," uzsvēra Marquardt, norādot uz neefektivitāti, apmācot plašos neironu tīklus.

Neiromorfā skaitļošana smeļas iedvesmu no cilvēka smadzenēm, apstrādājot datus paralēli, nevis secīgi. Būtībā sinapses smadzenēs darbojas gan kā procesors, gan kā atmiņa. Pašlaik tiek pētītas sistēmas, kas atdarina šos raksturlielumus, piemēram, fotoniskās shēmas, kas izmanto gaismu aprēķiniem.

AI apmācība ar pašmācībām fiziskajām mašīnām

Strādājot kopā ar doktorantu Viktoru Lopesu-Pastoru, Marquardt ieviesa novatorisku apmācību metodi neiromorfiem datoriem. Viņu "pašmācības fiziskā mašīna" būtiski optimizē savus parametrus, izmantojot raksturīgu fizisko procesu, padarot ārēju atgriezenisko saiti lieku. “Ja šī atgriezeniskā saite netiek prasīta, apmācība kļūst daudz efektīvāka,” uzsvēra Marquardt, norādot, ka šī metode ietaupīs gan enerģiju, gan skaitļošanas laiku.

Tomēr šai revolucionārajai tehnikai ir īpašas prasības. Procesam jābūt atgriezeniskam, nodrošinot minimālus enerģijas zudumus, un pietiekami sarežģītam vai nelineāram. "Tikai nelineāri procesi var veikt sarežģītas transformācijas starp ievades datiem un rezultātiem," norādīja Marquardt, nodalot lineārās un nelineārās darbības.

Ceļā uz praktisko ieviešanu

Dueta teorētiskais pamatojums sakrīt ar praktiskiem pielietojumiem. Sadarbojoties ar eksperimentālo komandu, viņi attīsta optisku neiromorfu datoru, kas apstrādā informāciju, izmantojot uzklātus gaismas viļņus. Viņu mērķis ir skaidrs: pašmācības fiziskās mašīnas koncepcijas aktualizēšana.

"Mēs ceram prezentēt pirmo pašmācības fizisko iekārtu trīs gadu laikā," prognozēja Marquardt, norādot, ka šie nākotnes tīkli apstrādās vairāk datu un tiks apmācīti ar lielākām datu kopām nekā mūsdienu sistēmas. Ņemot vērā pieaugošās prasības pēc AI un pašreizējo iestatījumu raksturīgo neefektivitāti, pāreja uz efektīvi apmācītiem neiromorfiskiem datoriem šķiet gan neizbēgama, gan daudzsološa.

Marquardt vārdiem sakot: "Mēs esam pārliecināti, ka pašmācības fiziskajām mašīnām ir liela iespēja mākslīgā intelekta evolūcijā." Zinātnieku aprindas un mākslīgā intelekta entuziasti ar aizturētu elpu gaida, ko sagaida nākotne.