Fizyka może na zawsze zmienić komputery i sztuczną inteligencję

Odstając od dekad tradycji komputacyjnej, zespół badaczy z Unconventional AI opracował metodę generowania obrazów, która nie opiera się na układach scalonych i prądach elektrycznych, lecz na podstawowych zasadach fizyki.

System, nazwany Un-0, reprezentuje nową filozofię w rozwoju sztucznej inteligencji: zamiast budować większe i bardziej złożone sieci komputerowe, naukowcy badają, czy matematyczne wzory występujące w naturze mogą wykonywać te same obliczenia, zużywając przy tym o 1000 razy mniej energii.

Energia i wydajność

Systemy sztucznej inteligencji, które dominują w krajobrazie technologicznym, takie jak sieci neuronowe, modele językowe i algorytmy rekomendacji, wymagają ogromnych ilości energii do działania.

Centra danych, w których znajdują się te systemy, zużywają energię porównywalną do tej, którą zużywają małe miasta, co budzi obawy dotyczące wpływu na środowisko i długoterminową zrównoważoność.

Naukowcy szacują, że osiągnięcie następnego znaczącego przełomu w wydajności sztucznej inteligencji będzie wymagało zasadniczo innego podejścia do tego, jak maszyny przetwarzają informacje.

To zrozumienie skłoniło naukowców do poszukiwania inspiracji w naturze, badając biologiczne i fizyczne systemy, które ewoluowały przez miliony lat, aby rozwiązać złożone problemy w sposób niezwykle wydajny.

Zrozumienie sprzężonych oscylatorów

W sercu Un-0 leży niezwykle prosta koncepcja zaczerpnięta z fizyki: sprzężone oscylatory.

Aby to zrozumieć, można wyobrazić sobie parę metronomów, urządzeń, których muzycy używają do utrzymania rytmu. Jeśli dwa metronomy są umieszczone na tym samym stole i ustawione na różne tempo, dochodzi do czegoś niezwykłego. Przez wibracje powierzchni pod nimi metronomy stopniowo wpływają na siebie, aż w końcu wpadają w synchronizację, tikając w unisonie.

Ta synchronizacja podąża za ściśle określonymi zasadami matematycznymi, które były badane w fizyce przez ponad wiek. Interakcja między oscylatorami tworzy wzory organizacji, które pojawiają się bez żadnego zewnętrznego kierowania lub kontroli, one same się organizują.

Teraz wyobraź sobie rozszerzenie tej koncepcji w sposób dramatyczny. Zamiast dwóch metronomów, wyobraź sobie tysiące jednostek oscylujących, z których każda może wpływać na każdą inną jednostkę wokół siebie.

Każdy oscylator posiada kilka właściwości: naturalną częstotliwość, z którą chce się obracać, kąt fazowy, który opisuje jego bieżącą pozycję w cyklu oscylacji, oraz połączenia z każdym innym oscylatorem, które określają, jak silnie każda para wpływa na siebie.

Te połączenia, nazywane współczynnikami sprzężenia, są aspektami, które Un-0 uczy się podczas szkolenia.

Ten system przypomina matematyczne modele znane jako oscylatory Kuramoto, nazwane od fizyka Yoshiki Kuramoto, który badał takie systemy wiele lat temu. Do niedawna te modele pozostawały w dużej mierze teoretyczne.

Un-0 dowodzi, że mogą one być skalowane, aby rozwiązać praktyczne problemy sztucznej inteligencji na poziomie złożoności, który wcześniej był uważany za domenę konwencjonalnego głębokiego uczenia.

Wydajność i porównanie

Testy wykazały, że Un-0 osiąga jakość obrazu porównywalną do wiodących metod generowania obrazów sztucznej inteligencji z kilku lat temu.

Na standardowym benchmarku ImageNet 64×64 system osiągnął wynik jakości, który odpowiadał wydajności prominentnych konwencjonalnych generatorów, gdy te systemy zostały po raz pierwszy opublikowane.

To nie jest ani porażka, ani przełom. Raczej dowodzi to zasady działania: systemy oparte na dynamice fizycznej mogą generować obrazy o jakości, która wcześniej była uważana za wyłączną domenę głębokiego uczenia, co sugeruje znaczny potencjał dla przyszłego rozwoju.

Naukowcy przyznają, że obecne systemy stanu sztuki, które przeszły lata doskonalenia, nadal przewyższają Un-0. Jednakże wskazują oni, że konwencjonalne generatory obrazów również zaczynały od skromnych wyników, zanim dekady optymalizacji przekształciły je w dzisiejsze zaawansowane narzędzia.

Dlaczego komputery oparte na fizyce są ważne

Znaczenie Un-0 sięga daleko poza generowanie obrazów. Systemy oparte na dynamice fizycznej, które wykonują zadania sztucznej inteligencji, zużywając przy tym o 1000 razy mniej energii niż konwencjonalne podejścia, miałyby przełomowe znaczenie.

Takie zyski wydajności mogą umożliwić aplikacjom sztucznej inteligencji działanie na urządzeniach przenośnych, systemach osadzonych i w odległych lokalizacjach bez dostępu do ogromnych centrów danych.

Ponadto te systemy mogą być w końcu wdrożone bezpośrednio w sprzęcie fizycznym, układach scalonych zaprojektowanych do symulowania naturalnych procesów fizycznych, a nie do wykonywania zaprogramowanych instrukcji. Takie “niekonwencjonalne podłoża”, jak nazywają je naukowcy, stanowiłyby naprawdę inny rodzaj komputera.

Szerszy krajobraz

Un-0 nie jest jedynym wysiłkiem badawczym, który bada alternatywy dla konwencjonalnych sieci neuronowych.

W całej akademii i przemyśle naukowcy badają systemy inspirowane zasadami termodynamicznymi, obwodami analogowymi, mechaniką kwantową i innymi aspektami fizyki.

Te podejścia mają wspólną motywację: konwencjonalne podejścia prawie osiągnęły swoje praktyczne granice pod względem wydajności energetycznej. Przełomowe postępy mogą wymagać ponownego rozważenia samej obliczeniowości.

Społeczność badawcza jest zaangażowana w co można nazwać wielkim wyzwaniem: czy możemy zaprojektować systemy sztucznej inteligencji, aby odpowiadały one zasadom, które rządziły biologicznymi i fizycznymi systemami przez miliardy lat? Jeśli się powiedzie, takie osiągnięcie będzie reprezentowało fundamentalną przebudowę tego, czym są komputery i jak one działają.

Bieżące ograniczenia i przyszłe kierunki

System Un-0 pozostaje eksperymentalny. Działa przy względnie niskich rozdzielczościach obrazu i nie osiągnął jeszcze poziomów wydajności najbardziej zaawansowanych obecnych systemów.

Pomimo wszystkich postępów, proces szkolenia nadal wymaga konwencjonalnego komputera i znacznego czasu, aby zostać ukończonym.

Naukowcy opublikowali swoją pracę w sposób transparentny, udostępniając kod szkoleniowy i szczegółową analizę swoich wyników, co odzwierciedla przekonanie, że to podejście reprezentuje nowy kierunek, który może być badany i udoskonalany przez wielu naukowców.

W miarę jak systemy sztucznej inteligencji stają się coraz bardziej centralne w nowoczesnym społeczeństwie, poszukiwanie bardziej wydajnych podejść komputacyjnych przechodzi od ciekawości akademickiej do praktycznej konieczności. Un-0 stanowi dowód, że istnieje co najmniej jedna obiecująca droga, i że badanie fizyki opartej na sztucznej inteligencji dopiero się zaczęło.