Fysikk kan forandre datamaskiner og kunstig intelligens for alltid

I en avvik fra tiår med datamaskintradisjoner, har et team av forskere ved Unconventional AI utviklet en metode for å generere bilder som ikke baserer seg på silisiumchipene og elektriske strømmer som driver i dagens kunstige intelligenssystemer, men heller på de grunnleggende fysikkprinsippene selv.

Systemet, kalt Un-0, representerer en ny filosofi i utviklingen av kunstig intelligens: i stedet for å bygge større og mer komplekse datanettverk, utforsker forskerne om de matematiske mønsterene som finnes i naturen kan utføre det samme komputasjonelle arbeidet mens de bruker rundt 1000 ganger mindre energi.

Energi og effisiens

De kunstige intelligenssystemene som har dominert teknologilandskapet, som neurale nettverk, språkmodeller og anbefalingsalgoritmer, krever enorme mengder energi for å fungere.

Datacenter som huser disse systemene forbruker strøm som er tilsvarende til den som forbrukes i små byer, og det har ført til bekymringer både om miljøpåvirkningen og langsiktig bærekraft.

Forskere estimerer at det å oppnå det neste betydelige gjennombruddet i kunstig intelligens-effisiens vil kreve en fundamentalt annen tilnærming til hvordan maskiner prosesserer informasjon.

Dette har ført til at forskerne søker inspirasjon i naturen, og undersøker biologiske og fysiske systemer som har utviklet seg over millioner av år for å løse komplekse problemer med bemerkelsesverdig effisiens.

Forståelse av koblete oscillatorer

I hjertet av Un-0 ligger et enkelt konsept hentet fra fysikken: koblete oscillatorer.

For å forstå dette, kan man forestille seg et par metronomer, de mekaniske enhetene musikere bruker for å holde takt. Hvis to metronomer plasseres på samme bord og innstilles til forskjellige tempi, skjer noe bemerkelsesverdig. Gjennom vibrasjoner i overflaten under dem, påvirker metronomene hverandre gradvis til de til slutt faller i synkronisering, og tikker i samstemt.

Denne synkroniseringen følger presise matematiske prinsipper som har blitt studert i fysikken i over hundre år. Interaksjonen mellom oscillatorer skaper mønster av organisering som oppstår uten noen ytre retning eller kontroll, de organiserer seg selv.

Nå forestill deg å utvide dette konseptet dramatisk. I stedet for to metronomer, forestill deg tusenvis av oscillerende enheter, hver i stand til å påvirke hverandre.

Hver oscillator har flere egenskaper: en naturlig frekvens som den ønsker å rotere med, en fasevinkel som beskriver dens nåværende posisjon i dens oscilleringscyklus, og forbindelser til hver andre oscillator som bestemmer hvor sterkt hver par påvirker hverandre.

Disse forbindelsene, kalt koblingsstyrker, er aspektene som Un-0 lærer under trening.

Dette systemet speiler matematiske modeller kjent som Kuramoto-oscillatorer, oppkalt etter fysikeren Yoshiki Kuramoto som studerte slike systemer for flere tiår siden. Før nylig var disse modellene hovedsakelig teoretiske.

Un-0 demonstrerer at de kan skaleres for å håndtere praktiske kunstig intelligens-problemer på et nivå av sofistikasjon som tidligere ble ansett som eksklusivt for konvensjonell dyb læring.

Ytelse og sammenligning

Testing har vist at Un-0 oppnår bilde kvalitet som er sammenlignbar med ledende kunstig intelligens-bilde genereringsmetoder fra flere år tilbake.

På en standard benchmark kalt ImageNet 64×64, oppnådde systemet en kvalitetsscore som matchet ytelsen til fremtredende konvensjonelle generatorene da disse systemene først ble publisert.

Dette representerer hverken nederlag eller gjennombrudd. Det demonstrerer snarere en bevis på prinsippet: systemer basert på fysikkbasert dynamikk kan generere bilder med en kvalitet som tidligere ble ansett som eksklusivt for dyb læring, et detalj som antyder betydelig potensial for fremtidig utvikling.

Forskerne innrømmer at nåværende toppmoderne systemer, som har gjennomgått år med finjustering, fortsatt overgår Un-0. De påpeker imidlertid at konvensjonelle bildegeneratorene også begynte med beskjedne resultater før tiår med optimalisering transformerte dem til dagens sofistikerte verktøy.

Hvorfor fysikkbasert datamaskineri betyr noe

Betydningen av Un-0 strekker seg langt utenfor bildegenerering. Systemer basert på fysisk dynamikk som utfører kunstig intelligens-oppgaver mens de forbruker en tusen ganger mindre energi enn konvensjonelle tilnærminger, implikasjonene ville være transformasjonelle.

Slike effisiensgevinster kunne muliggjøre at kunstig intelligens-applikasjoner kan kjøres på mobile enheter, innbygde systemer og fjerne lokasjoner uten tilgang til massive datacenter.

I tillegg kan slike systemer muligens en dag bli implementert direkte i fysisk maskinvare, silisiumchip designet for å simulere naturlige fysiske prosesser i stedet for å utføre programmerte instruksjoner. Slike “uconventionelle substrater”, som forskerne kalles dem, ville representere en genuint annen type datamaskin.

Det bredere landskapet

Un-0 er ikke den eneste forskningsinnsatsen som utforsker alternativer til konvensjonelle neurale nettverk.

Over hele akademiet og industrien, forsker forskere systemer inspirert av termodynamiske prinsipper, analoge kretser, kvantemekanikk og andre aspekter av fysikken.

Disse tilnærmingene deler en felles motivasjon: konvensjonelle tilnærminger har nesten nådd sine praktiske grenser i terms av energi-effisiens. Gjennombrudd kan kreve en omdefinering av hva datamaskiner er og hvordan de fungerer.

Forskningsmiljøet er engasjert i hva som kan beskrives som en stor utfordring: kan vi redesigne kunstig intelligens-systemer for å sammenfalle med prinsippene som har styrt biologiske og fysiske systemer i milliarder av år? Hvis det lykkes, ville en slik prestasjon representere en grunnleggende omdefinering av hva datamaskiner er og hvordan de fungerer.

Nåværende begrensninger og fremtidige retninger

Un-0-systemet er fortsatt eksperimentelt. Det opererer ved relativt beskjedne bildeoppløsninger og har ikke ennå oppnådd ytelsennivåene til de mest avanserte nåværende systemene.

Til tross for all fremgang som er oppnådd, krever treningsprosessen fortsatt konvensjonell datamaskin og betydelig tid for å fullføre.

Forskerne har publisert sitt arbeid transparent, og gjort treningskoden og detaljert analyse av funn tilgjengelig, noe som reflekterer overbevisningen om at denne tilnærmingen representerer ikke en proprietær løsning, men en ny retning som mange forskere kan utforske og finjustere.

Som kunstig intelligens-systemer blir stadig mer sentrale i moderne samfunn, flytter søket etter mer effektive datamaskin-tilnærminger fra akademisk nysgjerrighet til praktisk nødvendighet. Un-0 står som bevis på at det minst en lovende retning eksisterer, og at undersøkelsen av fysikkbasert kunstig intelligens har kunnet begynne.