Energieneffektiv AI: En ny æra med neuromorfe datamaskiner

Det raskt voksende området av kunstig intelligens (AI) er kjent for sin ytelse, 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, og kan potensielt revolusjonere måten AI prosesserer data på.

Dagens AI-modeller forbruker store mengder energi under trening. Selv om nøyaktige tall er vanskelige å finne, anslår Statista at GPT-3s trening krever omtrent 1000 megawatt timer – 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 grepet de underliggende betydningene av slike fraser.

Neuromorfe datamaskiner: En sammenføying 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-oppsætninger.

“Dataoverføringen mellom prosessor og minne alene forbruker en betydelig mengde energi,” sa Marquardt, og påpekte ineffektivitetene ved å trene store nevralt nettverk.

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

Treningsmetoder for AI med selv-lærende fysiske maskiner

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

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

Mot praktisk implementering

Duos teoretiske arbeid stemmer overens med praktiske anvendelser. I samarbeid med et eksperimentelt team, utvikler de en optisk neuromorf datamaskin som prosesserer informasjon ved hjelp av overlagte lysbølger. Deres mål er klart: å gjøre det selv-lærende fysiske maskinkonseptet 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 trent 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 lovende.

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