Energie-Efficiënte AI: Een Nieuwe Dageraad Met Neuromorfe Computers

Het snel groeiende domein van kunstmatige intelligentie (AI) is beroemd om zijn prestaties, maar gaat gepaard met een aanzienlijke energiekost. Een nieuwe aanpak, voorgesteld door twee toonaangevende wetenschappers aan het Max Planck Instituut voor de Wetenschap van Licht in Erlangen, Duitsland, heeft als doel om AI efficiënter te trainen, wat potentieel de manier waarop AI gegevens verwerkt kan revolutioneren.

Huidige AI-modellen verbruiken enorme hoeveelheden energie tijdens de training. Hoewel precieze cijfers schaars zijn, schatten rapporten van Statista dat de training van GPT-3 ongeveer 1000 megawattuur vereist – equivalent aan het jaarlijkse verbruik van 200 grote Duitse huishoudens. Terwijl deze energie-intensieve training GPT-3 heeft gefinetuned om woordvolgordes te voorspellen, is er overeenstemming dat het de inherente betekenis van dergelijke uitdrukkingen niet heeft begrepen.

Neuromorfe Computing: Het Samenvoegen van Brein en Machine

Terwijl conventionele AI-systemen vertrouwen op digitale kunstmatige neurale netwerken, kan de toekomst liggen in neuromorfe computing. Florian Marquardt, een directeur aan het Max Planck Instituut en professor aan de Universiteit van Erlangen, legde het nadeel van traditionele AI-opstellingen uit.

“De gegevensoverdracht tussen processor en geheugen alleen al verbruikt een aanzienlijke hoeveelheid energie,” benadrukte Marquardt, waarbij hij de inefficiëntie bij het trainen van grote neurale netwerken aanwees.

Neuromorfe computing haalt inspiratie uit de menselijke hersenen, waarbij gegevens parallel worden verwerkt in plaats van sequentieel. In wezen functioneren synapsen in de hersenen zowel als processor als geheugen. Systemen die deze kenmerken nabootsen, zoals fotonic circuits die licht gebruiken voor berekeningen, worden momenteel onderzocht.

AI Trainen Met Zelflerende Fysieke Machines

Samen met doctoraalstudent Víctor López-Pastor introduceerde Marquardt een innovatieve trainingsmethode voor neuromorfe computers. Hun “zelflerende fysieke machine” optimaliseert fundamenteel zijn parameters via een inherente fysieke proces, waardoor externe feedback overbodig wordt. “Het niet nodig hebben van deze feedback maakt de training veel efficiënter,” benadrukte Marquardt, suggererend dat deze methode zowel energie als rekenkracht zou besparen.

Toch heeft deze baanbrekende techniek specifieke vereisten. Het proces moet omkeerbaar zijn, waardoor energieverlies tot een minimum wordt beperkt, en voldoende complex of niet-lineair. “Alleen niet-lineaire processen kunnen de ingewikkelde transformaties tussen invoergegevens en resultaten uitvoeren,” stelde Marquardt, waarbij hij een onderscheid maakte tussen lineaire en niet-lineaire acties.

Naar Praktische Implementatie

De theoretische basis van het duo komt overeen met praktische toepassingen. In samenwerking met een experimenteel team werken ze aan een optische neuromorfe computer die informatie verwerkt met behulp van gesuperponeerde lichtgolven. Hun doel is duidelijk: het concept van de zelflerende fysieke machine verwezenlijken.

“We hopen de eerste zelflerende fysieke machine over drie jaar te presenteren,” projecteerde Marquardt, aangevend dat deze toekomstige netwerken meer gegevens zullen verwerken en getraind zullen worden met grotere datasets dan hedendaagse systemen. Gezien de stijgende vraag naar AI en de inherente inefficiëntie van huidige opstellingen, lijkt de omschakeling naar efficiënt getrainde neuromorfe computers zowel onvermijdelijk als veelbelovend.

In de woorden van Marquardt: “We zijn ervan overtuigd dat zelflerende fysieke machines een solide kans maken in de voortdurende evolutie van kunstmatige intelligentie.” De wetenschappelijke gemeenschap en AI-enthousiastelingen wachten met spanning af wat de toekomst brengt.