Novo Sistema Visa Resolver o Problema de Consumo de Energia da Inteligência Artificial

Os computadores que dependem de inteligência artificial (IA) consomem muita energia, e essa necessidade de processamento está dobrando a cada três ou quatro meses. Quando se trata de centros de dados de computação em nuvem, que são usados por aplicações de IA e aprendizado de máquina, eles consomem mais energia elétrica por ano do que alguns pequenos países. Muitos pesquisadores estão alertando que esse sistema é insustentável.

Uma equipe desses pesquisadores, liderada pela Universidade de Washington, desenvolveu uma solução para ajudar a resolver esse problema – novo hardware de computação óptica para IA e aprendizado de máquina. Esse hardware é mais rápido e muito mais eficiente em termos de energia do que a eletrônica convencional. Ele também ajuda a resolver o “ruído” causado pela computação óptica, que pode interferir na precisão do processamento.

A pesquisa foi publicada em 21 de janeiro na Science Advances.

Usando Ruído como Entrada

No artigo de pesquisa, a equipe demonstrou como um sistema de computação óptica para IA e aprendizado de máquina pode usar parte do ruído como entrada para melhorar a saída criativa da rede neural artificial (RNA) no sistema.

Changming Wu é um estudante de doutorado em engenharia elétrica e computacional da UW e autor principal do artigo.

“Construímos um computador óptico que é mais rápido do que um computador digital convencional”, disse Wu. “E também, esse computador óptico pode criar coisas novas com base em entradas aleatórias geradas pelo ruído óptico que a maioria dos pesquisadores tentou evitar.”

O ruído de computação óptica é causado por partículas de luz estranhas, ou fótons. Esses são produzidos pelos lasers dentro do dispositivo e radiação térmica de fundo. Para lidar com o ruído, a equipe conectou o núcleo de computação óptica a uma rede adversária generativa (GAN). Em seguida, testaram diferentes técnicas de mitigação de ruído, como usar parte do ruído gerado como entradas aleatórias para a GAN.

A equipe instruiu a GAN a aprender a escrever o número ‘7’ como um humano, o que significava que ela precisava aprender a tarefa observando amostras visuais de caligrafia antes de praticar repetidamente. Devido à sua forma, o computador óptico teve que gerar imagens digitais que tivessem um estilo semelhante às amostras.

Mo Li é um professor de engenharia elétrica e computacional da UW e autor sênior do artigo.

“Em vez de treinar a rede para ler números manuscritos, treinamos a rede para aprender a escrever números, imitando amostras visuais de caligrafia em que ela foi treinada”, disse Li. “Com a ajuda de nossos colaboradores de ciência da computação da Duke University, também mostramos que a GAN pode mitigar o impacto negativo dos ruídos de hardware de computação óptica usando um algoritmo de treinamento robusto a erros e ruídos. Mais do que isso, a rede realmente usa os ruídos como entrada aleatória necessária para gerar instâncias de saída.”

À medida que a GAN continuava a praticar escrever o número, ela desenvolveu seu próprio estilo de escrita distintivo. Eventualmente, ela conseguiu escrever números de um a 10 em simulações de computador.

Construindo um Dispositivo em Escala Maior

A equipe agora busca construir o dispositivo em uma escala maior por meio do uso da tecnologia de fabricação de semicondutores atual, o que melhorará o desempenho e permitirá que a equipe execute tarefas mais complexas.

“Esse sistema óptico representa uma arquitetura de hardware de computador que pode melhorar a criatividade das redes neurais artificiais usadas em IA e aprendizado de máquina, mas mais importante, demonstra a viabilidade desse sistema em uma escala grande onde ruídos e erros podem ser mitigados e até aproveitados“, disse Li. “As aplicações de IA estão crescendo tão rápido que, no futuro, seu consumo de energia será insustentável. Essa tecnologia tem o potencial de ajudar a reduzir esse consumo de energia, tornando a IA e o aprendizado de máquina sustentáveis ambientalmente – e muito rápidos, alcançando um desempenho geral mais alto.