Energi-effektiv AI: En ny daggry med neuromorfe datamaskiner

Det raskt voksende området kunstig intelligens (AI) er kjent for sine prestasjoner, men kommer med en betydelig energikostnad. En ny tilnærming, foreslått av to ledende forskere ved Max Planck-instituttet for lysvitenskap i Erlangen, Tyskland, har som mål å trene AI mer effektivt, potensielt revolusjonere måten AI prosesserer data.

Gjeldende AI-modeller forbruker store mengder energi under trening. Mens nøyaktige tall er vanskelige å få tak i, estimerer Statista at GPT-3s trening krever omtrent 1000 megawattimer – tilsvarende det årlige forbruket til 200 større tyske husholdninger. Mens denne energikrevende treningen har finjustert GPT-3 til å forutsi ordsekvenser, er det enighet om at den ikke har fattet de innebygde betydningene av slike fraser.

Neuromorfe datamaskiner: En sammenføyning av hjernen og maskinen

Mens konvensjonelle AI-systemer baserer seg på digitale kunstige nevralt nettverk, kan fremtiden ligge i neuromorfe datamaskiner. Florian Marquardt, en direktør ved Max Planck-instituttet og professor ved Universitetet i Erlangen, belyste ulemper ved tradisjonelle AI-oppskrifter.

“Kun overføringen av data mellom prosessor og minne alene forbruker en betydelig mengde energi,” Marquardt fremhevet, og noterte ineffektivitetene ved trening av store nevralt nettverk.

Neuromorfe datamaskiner tar inspirasjon fra hjernen, prosesserer data parallelt i stedet for sekvensielt. I virkeligheten fungerer synapser i hjernen som både prosessor og minne. Systemer som etterligner disse karakteristikkene, som f.eks. fotondrevne kretser som bruker lys til beregninger, er nå under utforskning.

Trenings AI med selv-lærende fysiske maskiner

I samarbeid med doktorgradsstipendiat Víctor López-Pastor, innførte Marquardt en innovativ treningsmetode for neuromorfe datamaskiner. Deres “selv-lærende fysisk maskin” optimaliserer grunnleggende parametre via en innebygd fysisk prosess, gjør ekstern tilbakemelding overflødig. “Ikke å kreve denne tilbakemeldingen gjør treningsprosessen mye mer effektiv,” Marquardt understreket, og antydet at denne metoden ville spare både energi og beregnings tid.

Likevel har denne banebrytende teknikken bestemte krav. Prosessen må være reversibel, sikre minimal energitap, og tilstrekkelig kompleks eller ikke-lineær. “Kun ikke-lineære prosesser kan utføre de intrikate transformasjonene mellom inndata og resultater,” Marquardt fastslo, og tegnet en skillelinje mellom lineære og ikke-lineære handlinger.

Mot praktisk implementering

Duos teoretiske arbeid stemmer overens med praktiske anvendelser. I samarbeid med en eksperimentell gruppe, fremmer de en optisk neuromorf datamaskin som prosesserer informasjon ved hjelp av overlagte lysbølger. Deres mål er klart: å gjøre selv-lærende fysisk maskin-konseptet til virkelighet.

“Vi håper å presentere den første selv-lærende fysiske maskinen om tre år,” projiserte Marquardt, og indikerte at disse fremtidige nettverkene ville håndtere mer data og bli trenet med større datamengder enn nåværende systemer. Gitt de økende kravene til AI og de innebygde ineffektivitetene i nåværende oppsett, synes skiftet mot effektivt trenede neuromorfe datamaskiner både uunngåelig og løftende.

I Marquardts ord, “Vi er trygge på at selv-lærende fysiske maskiner har en solid sjanse i den pågående utviklingen av kunstig intelligens.” Den vitenskapelige samfunnet og AI-entusiaster venter med spenning på hva fremtiden bringer.