Energi-Effektiv AI: En Ny Gryning Med Neuromorfa Datorer

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

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

Neuromorfisk Datorering: Sammansmältning Av Hjärna Och Maskin

Medan konventionella AI-system bygger på digitala artificiella neurala nätverk, kan framtiden ligga i neuromorfisk datorering. Florian Marquardt, en direktör vid Max Planck-institutet och professor vid universitetet i Erlangen, belyste svagheten i traditionella AI-konfigurationer.

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

Neuromorfisk datorering 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 Själv-Lärande Fysiska Maskiner

I samarbete med doktorn Víctor López-Pastor, introducerade Marquardt en innovativ träningsmetod för neuromorfa datorer. Deras “själv-lärande fysiska maskin” optimerar i grunden sina parametrar via en inbyggd fysisk process, vilket gör yttre feedback onödig. “Att inte kräva denna feedback gör träningen 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”, konstaterade Marquardt, och drog en distinktion mellan linjära och icke-linjära åtgärder.

Mot Praktisk Implementering

Duons teoretiska grundarbete överensstämmer med praktiska tillämpningar. I samarbete med en experimentell grupp, utvecklar de en optisk neuromorf dator som bearbetar information med hjälp av överlagrade ljusvågor. Deras mål är tydligt: att förverkliga konceptet med den själv-lärande fysiska maskinen.

“Vi hoppas på att presentera den första själv-lärande fysiska maskinen om tre år”, projicerade 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 konfigurationer, verkar skiftet mot effektivt tränade neuromorfa datorer både oundvikligt och lovande.

I Marquardts ord, “Vi är övertygade om att själv-lärande 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.