Energiooszczędna Sztuczna Inteligencja: Nowy Świt z Komputerami Neuromorficznymi

Szybko rozwijający się obszar sztucznej inteligencji (AI) jest słynny ze swojej wydajności, ale wymaga znacznych nakładów energetycznych. Nowy podejście, zaproponowane przez dwóch wiodących naukowców z Max Planck Institute for the Science of Light w Erlangen, w Niemczech, ma na celu efektywniejsze szkolenie AI, co może rewolucjonizować sposób, w jaki AI przetwarza dane.

Obecne modele AI zużywają ogromne ilości energii podczas szkolenia. Chociaż dokładne dane są trudne do ustalenia, szacunki Statisty sugerują, że szkolenie GPT-3 wymaga około 1000 megawatogodzin – co jest równoważne z rocznym zużyciem 200 dużych gospodarstw domowych w Niemczech. Chociaż to energie-intensywne szkolenie doprowadziło do doskonalenia GPT-3 w przewidywaniu sekwencji słów, istnieje zgoda, że nie zrozumiało ono wewnętrznych znaczeń takich fraz.

Obliczenia Neuromorficzne: Łączenie Mózgu i Maszyny

Podczas gdy konwencjonalne systemy AI opierają się na cyfrowych sztucznych sieciach neuronowych, przyszłość może leżeć w obliczeniach neuromorficznych. Florian Marquardt, dyrektor w Max Planck Institute i profesor na Uniwersytecie w Erlangen, wyjaśnił wadę tradycyjnych układów AI.

“Sam transfer danych między procesorem a pamięcią zużywa znaczną ilość energii”, podkreślił Marquardt, zwracając uwagę na nieefektywność podczas szkolenia ogromnych sieci neuronowych.

Obliczenia neuromorficzne czerpią inspirację z ludzkiego mózgu, przetwarzając dane równolegle, a nie sekwencyjnie. Podstawą jest to, że synapsy w mózgu funkcjonują jako procesor i pamięć. Systemy naśladujące te cechy, takie jak obwody fotoniczne wykorzystujące światło do obliczeń, są obecnie badane.

Szkolenie AI z Samouczącymi Się Fizycznymi Maszynami

Pracując wraz z doktorantem Víctorem López-Pastorem, Marquardt wprowadził innowacyjną metodę szkolenia komputerów neuromorficznych. Jego “samoucząca się fizyczna maszyna” fundamentalnie optymalizuje swoje parametry za pomocą wewnętrznego fizycznego procesu, czyniąc zewnętrzną informację zwrotną zbędną. “Nie wymaganie tej informacji zwrotnej sprawia, że szkolenie jest znacznie bardziej efektywne”, podkreślił Marquardt, sugerując, że ta metoda zaoszczędzi zarówno energię, jak i czas komputera.

Jednak ta przełomowa technika ma określone wymagania. Proces musi być odwracalny, zapewniając minimalne straty energii, oraz wystarczająco złożony lub nieliniowy. “Tylko procesy nieliniowe mogą wykonywać złożone transformacje między danymi wejściowymi a wynikami”, stwierdził Marquardt, rysując różnicę między działaniami liniowymi a nieliniowymi.

Ku Praktycznej Implementacji

Teoretyczne podstawy duetu są zgodne z aplikacjami praktycznymi. Współpracując z zespołem eksperymentalnym, rozwijają komputer neuromorficzny optyczny, który przetwarza informacje za pomocą nakładanych fal świetlnych. Ich cel jest jasny: zrealizowanie pojęcia samouczącej się fizycznej maszyny.

“Mamy nadzieję, że będziemy mogli przedstawić pierwszą samouczącą się fizyczną maszynę w ciągu trzech lat”, przewiduje Marquardt, wskazując, że te przyszłe sieci będą mogły obsłużyć więcej danych i być szkolone z większymi zbiorami danych niż współczesne systemy. Biorąc pod uwagę rosnące zapotrzebowanie na AI i wewnętrzne nieefektywności obecnych układów, przesunięcie w kierunku efektywnie szkolonych komputerów neuromorficznych wydaje się zarówno nieuniknione, jak i obiecujące.

W słowach Marquardta, “Jesteśmy przekonani, że samouczące się fizyczne maszyny mają solidną szansę w ewolucji sztucznej inteligencji”. Środowisko naukowe i entuzjaści AI czekają z zapartym tchem, co przyniesie przyszłość.