Energieffektiv AI: A New Dawn With Neuromorphic Computers

Det raskt voksende området for kunstig intelligens (AI) er kjent for sin ytelse, men har en betydelig energikostnad. EN ny tilnærming, foreslått av to ledende forskere ved Max Planck Institute for the Science of Light i Erlangen, Tyskland, har som mål å trene AI mer effektivt, og potensielt revolusjonere måten AI behandler data på.

Nåværende AI-modeller bruker enorme mengder energi under trening. Selv om nøyaktige tall er vanskelige å finne, antyder Statista at GPT-3s trening krever omtrent 1000 megawattimer – tilsvarende det årlige forbruket til 200 store tyske husholdninger. Selv om denne energikrevende treningen har finjustert GPT-3 til å forutsi ordsekvenser, er det enighet om at den ikke har forstått den iboende betydningen av slike fraser.

Nevromorf databehandling: Sammenslåing av hjerne og maskin

Mens konvensjonelle AI-systemer er avhengige av digitale kunstige nevrale nettverk, kan fremtiden ligge i nevromorf databehandling. Florian Marquardt, direktør ved Max Planck Institute og professor ved Universitetet i Erlangen, belyste ulempen med tradisjonelle AI-oppsett.

"Dataoverføringen mellom prosessor og minne alene forbruker en betydelig mengde energi," fremhevet Marquardt, og la merke til ineffektiviteten når man trener store nevrale nettverk.

Nevromorf databehandling henter inspirasjon fra den menneskelige hjernen, og behandler data parallelt i stedet for sekvensielt. Synapser i hjernen fungerer i hovedsak både som prosessor og minne. Systemer som etterligner disse egenskapene, for eksempel fotoniske kretser som bruker lys til beregninger, er for tiden under utforskning.

Trening AI med selvlærende fysiske maskiner

I samarbeid med doktorgradsstudent Víctor López-Pastor introduserte Marquardt en innovativ treningsmetode for nevromorfe datamaskiner. Deres "selvlærende fysiske maskin" optimaliserer fundamentalt parameterne via en iboende fysisk prosess, noe som gjør ekstern tilbakemelding overflødig. "Å ikke kreve denne tilbakemeldingen gjør treningen mye mer effektiv," understreket Marquardt, og antydet at denne metoden ville spare både energi og datatid.

Likevel har denne banebrytende teknikken spesifikke krav. Prosessen må være reversibel, sikre minimalt energitap, og tilstrekkelig kompleks eller ikke-lineær. "Bare ikke-lineære prosesser kan utføre de intrikate transformasjonene mellom inputdata og resultater," sa Marquardt, og trakk et skille mellom lineære og ikke-lineære handlinger.

Mot praktisk gjennomføring

Duoens teoretiske grunnlag er i tråd med praktiske anvendelser. I samarbeid med et eksperimentelt team utvikler de en optisk nevromorfisk datamaskin som behandler informasjon ved hjelp av overliggende lysbølger. Målet deres er klart: å realisere konseptet med en selvlærende fysisk maskin.

"Vi håper å presentere den første selvlærende fysiske maskinen på tre år," projiserte Marquardt, og indikerte at disse fremtidige nettverkene ville håndtere mer data og bli trent med større datasett enn moderne systemer. Gitt de økende kravene til AI og den iboende ineffektiviteten til nåværende oppsett, virker skiftet mot effektivt trente nevromorfe datamaskiner både uunngåelig og lovende.

Med Marquardts ord: «Vi er sikre på at selvlærende fysiske maskiner har en solid sjanse i den pågående utviklingen av kunstig intelligens.» Både det vitenskapelige miljøet og AI-entusiaster venter med tilbakeholdt åndedrag på hva fremtiden bringer.