Fysica kan computing en AI voor altijd veranderen

In een afwijking van decennia van computationele traditie, heeft een team van onderzoekers bij Unconventional AI een methode ontwikkeld voor het genereren van afbeeldingen die niet gebaseerd is op de siliciumchips en elektrische stromen die vandaag de kunstmatige intelligentiesystemen aandrijven, maar op de fundamentele principes van de fysica zelf.

Het systeem, genaamd Un-0, vertegenwoordigt een opkomende filosofie in de ontwikkeling van kunstmatige intelligentie: in plaats van het bouwen van grotere en complexere computernetwerken, onderzoeken wetenschappers of de wiskundige patronen die in de natuur voorkomen, hetzelfde computationele werk kunnen doen terwijl ze ongeveer 1000 keer minder energie verbruiken.

Energie en Efficiëntie

De kunstmatige intelligentiesystemen die de technologie-landschap hebben gedomineerd, zoals neurale netwerken, taalmodellen en aanbevelingsalgoritmen, vereisen enorme hoeveelheden energie om te functioneren.

Datacentra die deze systemen huisvesten, verbruiken stroom die equivalent is aan die van kleine steden, wat zorgen baart over zowel de milieueffecten als de langetermijnsduurzaamheid.

Onderzoekers schatten dat het bereiken van de volgende significante doorbraak in de efficiëntie van kunstmatige intelligentie, een fundamenteel andere aanpak van hoe machines informatie verwerken, zal vereisen.

Deze realisatie heeft wetenschappers ertoe gebracht om naar de natuur te kijken voor inspiratie, door biologische en fysieke systemen te onderzoeken die over millennia zijn geëvolueerd om complexe problemen met opmerkelijke efficiëntie op te lossen.

Het Begrijpen van Gekoppelde Oscillatoren

In het hart van Un-0 ligt een ogenschijnlijk eenvoudig concept uit de fysica: gekoppelde oscillatoren.

Om dit te begrijpen, kan men een paar metronomen voorstellen, de mechanische apparaten die muzikanten gebruiken om het ritme aan te houden. Als twee metronomen op dezelfde tafel worden geplaatst en ingesteld op verschillende tempi, gebeurt er iets opmerkelijks. Door trillingen in het oppervlak eronder, beïnvloeden de metronomen elkaar langzaam totdat ze uiteindelijk in synchronisatie vallen en in unison tikken.

Deze synchronisatie volgt precieze wiskundige principes die al meer dan een eeuw in de fysica zijn bestudeerd. De interactie tussen oscillatoren creëert patronen van organisatie die ontstaan zonder enige externe richting of controle, ze organiseren zichzelf.

Stel je nu voor dat je dit concept drastisch uitbreidt. In plaats van twee metronomen, stel je duizenden oscillatoren voor, elk in staat om elke andere oscillator in de buurt te beïnvloeden.

Elke oscillator heeft een aantal eigenschappen: een natuurlijke frequentie waarop het wil roteren, een fasehoek die zijn huidige positie in zijn oscillatiecyclus beschrijft, en verbindingen met elke andere oscillator die bepalen hoe sterk elk paar elkaar beïnvloedt.

Deze verbindingen, genaamd koppelingssterktes, zijn de aspecten die Un-0 leert tijdens de training.

Dit systeem spiegelt wiskundige modellen die bekend staan als Kuramoto-oscillatoren, vernoemd naar de fysicus Yoshiki Kuramoto, die dergelijke systemen decennia geleden heeft bestudeerd. Tot voor kort bleven deze modellen grotendeels theoretisch.

Un-0 toont aan dat ze kunnen worden geschaald om praktische problemen van kunstmatige intelligentie aan te pakken op een niveau van sofisticatie dat eerder het domein van conventionele diepe leer was.

Prestaties en Vergelijking

Testen hebben aangetoond dat Un-0 een beeldkwaliteit bereikt die vergelijkbaar is met die van de toonaangevende methoden voor het genereren van kunstmatige intelligentiebeelden van enkele jaren geleden.

Op een standaardbenchmark genaamd ImageNet 64×64, behaalde het systeem een kwaliteitsscore die overeenkwam met de prestaties van prominente conventionele generators toen die systemen voor het eerst werden gepubliceerd.

Dit vertegenwoordigt noch een nederlaag, noch een doorbraak. Het toont eerder een bewijs van principe: systemen die gebaseerd zijn op fysica-dynamica, kunnen beelden genereren met een kwaliteit die eerder exclusief was voor diepe leer, een detail dat aangeeft dat er een significant potentieel is voor toekomstige ontwikkeling.

De onderzoekers erkennen dat de huidige state-of-the-art-systemen, die jaren van verfijning hebben ondergaan, Un-0 nog steeds overtreffen. Ze wijzen er echter op dat conventionele beeldgenerators ook met bescheiden resultaten begonnen voordat decennia van optimalisatie hen transformeerden in de geavanceerde tools van vandaag.

Waarom Fysica-Gebaseerde Computing Ertoe Doet

De betekenis van Un-0 gaat verder dan beeldgeneratie. Systemen die gebaseerd zijn op fysica-dynamica, die kunstmatige intelligentietaken uitvoeren terwijl ze ongeveer 1000 keer minder energie verbruiken dan conventionele benaderingen, de implicaties zouden transformerend zijn.

Dergelijke efficiëntiegewinnen zouden kunstmatige intelligentie-toepassingen in staat stellen om te draaien op mobiele apparaten, ingebedde systemen en afgelegen locaties zonder toegang tot grote datacentra.

Bovendien zouden deze systemen uiteindelijk mogelijk rechtstreeks in fysieke hardware worden geïmplementeerd, siliciumchips die zijn ontworpen om natuurlijke fysieke processen te simuleren in plaats van geprogrammeerde instructies uit te voeren. Dergelijke “onconventionele substraten”, zoals onderzoekers ze noemen, zouden een echt andere soort computer vertegenwoordigen.

Het Breder Landschap

Un-0 is niet het enige onderzoeksinitiatief dat alternatieven voor conventionele neurale netwerken onderzoekt.

Over de hele academische en industriële wereld onderzoeken wetenschappers systemen die zijn geïnspireerd op thermodynamische principes, analoge circuits, kwantummechanica en andere aspecten van de fysica.

Deze benaderingen delen een gemeenschappelijke motivatie: conventionele benaderingen hebben bijna hun praktische limieten bereikt in termen van energoefficiëntie. Doorbraken kunnen een heroverweging van de computationele basis zelf vereisen.

De onderzoekscommunity is betrokken bij wat kan worden omschreven als een grote uitdaging: kunnen we kunstmatige intelligentiesystemen opnieuw ontwerpen om in overeenstemming te zijn met de principes die biologische en fysieke systemen gedurende miljarden jaren hebben geregeld? Als dit succesvol is, zou dit een fundamentele herdefinitie van wat computers zijn en hoe ze functioneren, vertegenwoordigen.

Huidige Beperkingen en Toekomstige Richtingen

Het Un-0-systeem blijft experimenteel. Het werkt bij relatief bescheiden beeldresoluties en heeft nog niet het prestatieniveau van de meest geavanceerde huidige systemen bereikt.

Ondanks alle vooruitgang die is geboekt, vereist het trainingsproces nog steeds conventionele computing en aanzienlijke tijd om te voltooien.

De onderzoekers hebben hun werk transparant gepubliceerd, inclusief trainingscode en gedetailleerde analyse van hun bevindingen, wat de overtuiging weerspiegelt dat deze benadering niet een propriëtaire oplossing is, maar een nieuwe richting die veel onderzoekers kunnen onderzoeken en verfijnen.

Naarmate kunstmatige intelligentiesystemen steeds centraler worden in de moderne samenleving, verplaatst de zoektocht naar efficiëntere computatiebenaderingen zich van academische nieuwsgierigheid naar praktische noodzaak. Un-0 staat als bewijs dat er ten minste één veelbelovende richting bestaat, en dat het onderzoek naar fysica-gebaseerde kunstmatige intelligentie pas is begonnen.