EnergiEffektiv AI: En Ny Era Med Neuromorfa Datorer

Den snabbt växande världen av artificiell intelligens (AI) är känd för sin prestanda, men den kommer med en betydande energikostnad. En ny ansats, föreslagen av två ledande forskare vid Max Planck-institutet för ljusvetenskap i Erlangen, Tyskland, syftar till att träna AI mer effektivt, vilket potentiellt kan revolutionera sättet AI bearbetar data på.

Nuvarande AI-modeller förbrukar stora mängder energi under utbildning. Medan exakta siffror är svåra att få, uppskattar Statista att GPT-3:s utbildning kräver ungefär 1000 megawattimmar – motsvarande den årliga förbrukningen för 200 stora tyska hushåll. Medan denna energikrävande utbildning har finjusterat GPT-3 för att förutsäga ordsekvenser, finns det enighet om att den inte har förstått de underliggande betydelserna av sådana fraser.

Neuromorfa Datorer: Sammansmältning Av Hjärna Och Maskin

Medan konventionella AI-system bygger på digitala artificiella neurala nätverk, kan framtiden ligga i neuromorfa datorer. Florian Marquardt, en direktör vid Max Planck-institutet och professor vid universitetet i Erlangen, förklarade svagheten i traditionella AI-konstruktioner.

“Dataöverföringen mellan processor och minne förbrukar ensam en betydande mängd energi”, betonade Marquardt, och noterade ineffektiviteterna när man tränar stora neurala nätverk.

Neuromorfa datorer tar inspiration från den mänskliga hjärnan, bearbetar data parallellt snarare än sekventiellt. I princip fungerar synapser i hjärnan som både processor och minne. System som imiterar dessa egenskaper, som fotoniska kretsar som använder ljus för beräkningar, undersöks för närvarande.

Träning Av AI Med Självlärande Fysiska Maskiner

I samarbete med doktorn Víctor López-Pastor introducerade Marquardt en innovativ utbildningsmetod för neuromorfa datorer. Deras “självlärande fysiska maskin” optimerar i grunden sina parametrar via en inbyggd fysisk process, vilket gör extern återkoppling överflödig. “Att inte kräva denna återkoppling gör utbildningen mycket mer effektiv”, betonade Marquardt, och föreslog att denna metod skulle spara både energi och beräkningstid.

Men denna banbrytande teknik har specifika krav. Processen måste vara reversibel, vilket säkerställer minimal energiförlust, och tillräckligt komplex eller icke-linjär. “Endast icke-linjära processer kan utföra de intrikata transformationerna mellan indata och resultat”, förklarade Marquardt, och drog en distinktion mellan linjära och icke-linjära åtgärder.

Mot Praktisk Implementering

Duons teoretiska arbete stämmer överens med praktiska tillämpningar. I samarbete med ett experimentteam främjar de en optisk neuromorf dator som bearbetar information med hjälp av överlagrade ljusvågor. Deras mål är tydligt: att förverkliga konceptet med självlärande fysiska maskiner.

“Vi hoppas på att presentera den första självlärande fysiska maskinen om tre år”, förutspådde Marquardt, och indikerade att dessa framtida nätverk skulle hantera mer data och tränas med större datamängder än samtida system. Med tanke på de ökande kraven på AI och de inbyggda ineffektiviteterna i nuvarande konstruktioner, verkar skiftet mot effektivt tränade neuromorfa datorer både oundvikligt och lovande.

I Marquardts ord, “Vi är övertygade om att självlärande fysiska maskiner har en solid chans i den pågående utvecklingen av artificiell intelligens.” Den vetenskapliga gemenskapen och AI-entusiaster väntar med spänning på vad framtiden har att erbjuda.