Fysik kan förändra datorkraft och AI för alltid

I en avvikelse från decennier av datortradition har en grupp forskare vid Unconventional AI utvecklat en metod för att generera bilder som inte bygger på de kiselchips och elektriska strömmar som driver dagens artificiella intelligenssystem, utan snarare på de grundläggande principerna för fysik själv.

Systemet, som kallas Un-0, representerar en ny filosofi inom artificiell intelligensutveckling: snarare än att bygga större och mer komplexa datornätverk, undersöker forskare om de matematiska mönster som finns i naturen kan utföra samma beräkningsarbete medan de använder cirka 1000 gånger mindre energi.

Energi och Effektivitet

De artificiella intelligenssystem som har dominerat tekniklandskapet, såsom neuronnät, språkmodeller och rekommendationsalgoritmer, kräver enorma mängder energi för att fungera.

Datacenter som inrymmer dessa system förbrukar energi motsvarande den som förbrukas av små städer, vilket väcker oro både om miljöpåverkan och långsiktig hållbarhet.

Forskare uppskattar att för att uppnå nästa signifikanta genombrott inom artificiell intelligens-effektivitet kommer det att krävas en grundligt annorlunda approach till hur maskiner bearbetar information.

Denna insikt har fått forskare att söka inspiration i naturen, undersöka biologiska och fysiska system som har utvecklats under miljontals år för att lösa komplexa problem med anmärkningsvärd effektivitet.

Att förstå Kopplade Oscillatorer

I hjärtat av Un-0 ligger ett förrädiskt enkelt koncept hämtat från fysik: kopplade oscillatorer.

För att förstå detta kan man föreställa sig ett par metronomer, de mekaniska enheter som musiker använder för att hålla takt. Om två metronomer placeras på samma bord och ställs in på olika tempon, inträffar något anmärkningsvärt. Genom vibrationer i ytan under dem påverkar metronomerna långsamt varandra tills de slutligen hamnar i synk, tickande i unison.

Denna synkronisering följer precisa matematiska principer som har studerats inom fysik i över ett sekel. Interaktionen mellan oscillatorer skapar organisationsmönster som uppstår utan någon yttre ledning eller kontroll, de organiserar sig själva.

Tänk nu på att utöka detta koncept dramatiskt. Istället för två metronomer, föreställ er tusentals oscillationsenheter, var och en kapabel att påverka var och en annan enhet runt omkring.

Varje oscillator besitter flera egenskaper: en naturlig frekvens vid vilken den vill rotera, en fasvinkel som beskriver dess nuvarande position i dess oscillationscykel, och anslutningar till var och en annan oscillator som bestämmer hur starkt varje par påverkar varandra.

De här anslutningarna, som kallas kopplingsstyrkor, är de aspekter som Un-0 lär sig under utbildning.

Detta system speglar matematiska modeller som kallas Kuramoto-oscillatorer, uppkallade efter fysikern Yoshiki Kuramoto som studerade sådana system för decennier sedan. Fram till nyligen förblev dessa modeller i huvudsak teoretiska.

Un-0 demonstrerar att de kan skalas för att hantera praktiska artificiella intelligensproblem på en nivå av sofistikering som tidigare ansågs vara konventionell djupinlärning.

Prestanda och Jämförelse

Testning har visat att Un-0 uppnår bildkvalitet jämförbar med ledande artificiell intelligens-bildgenereringsmetoder från flera år sedan.

På en standardbenchmark som kallas ImageNet 64×64 uppnådde systemet en kvalitetsscore som matchade prestandan hos framstående konventionella generatorer när dessa system först publicerades.

Detta representerar varken nederlag eller genombrott. Snarare visar det principbevis: system som baseras på fysikbaserad dynamik kan generera bilder med en kvalitetsnivå som tidigare ansågs vara exklusiv för djupinlärning, en detalj som antyder betydande potential för framtida utveckling.

Forskarna medger att nuvarande toppmoderna system, som har genomgått års förfining, fortfarande presterar bättre än Un-0. De påpekar dock att konventionella bildgeneratorer också började med blygsamma resultat innan decennier av optimering förvandlade dem till dagens sofistikerade verktyg.

Varför Fysikbaserad Datoranvändning Är Viktig

Un-0:s betydelse sträcker sig långt utöver bildgenerering. System som bygger på fysikaliska principer som utför artificiell intelligensuppgifter medan de förbrukar tusen gånger mindre energi än konventionella metoder, implikationerna skulle vara omvälvande.

Sådana effektivitetsvinster kunde möjliggöra artificiell intelligens-applikationer som kan köras på mobila enheter, inbäddade system och avlägsna platser utan tillgång till stora datacenter.

Dessutom kan dessa system möjligen implementeras direkt i fysisk maskinvara, kiselchips som är utformade för att simulera naturliga fysikaliska processer snarare än att köra programmerade instruktioner. Sådana “okonventionella substrat”, som forskare kallar dem, skulle representera en genuint annorlunda sorts dator.

Den Större Landskapsbilden

Un-0 är inte den enda forskningsinsatsen som undersöker alternativ till konventionella neuronnät.

Över hela akademin och industrin undersöker forskare system som inspireras av termodynamiska principer, analog kretsar, kvantmekanik och andra aspekter av fysik.

De här tillvägagångssätten delar en gemensam motivation: konventionella tillvägagångssätt har nästan nått sina praktiska gränser i termer av energieffektivitet. Genombrottsframsteg kan kräva att man omdefinierar beräkning själv.

Forskningsgemenskapen är engagerad i vad som kan beskrivas som en stor utmaning: kan vi omkonstruera artificiella intelligenssystem för att motsvara de principer som har styrt biologiska och fysiska system i miljarder år? Om det lyckas skulle en sådan prestation representera en grundläggande omkonceptualisering av vad datorer är och hur de fungerar.

Nuvarande Begränsningar och Framtida Riktningar

Un-0-systemet förblir experimentellt. Det fungerar vid relativt modesta bildupplösningar och har ännu inte uppnått prestandanivåerna hos de mest avancerade nuvarande systemen.

Trots all framgång som uppnåtts, kräver fortfarande utbildningsprocessen konventionell datoranvändning och betydande tid för att slutföra.

Forskarna har publicerat sitt arbete transparent, släppt utbildningskod och detaljerad analys av sina resultat, vilket speglar övertygelsen att denna approach representerar inte en proprietär lösning utan en ny riktning som många forskare kan utforska och förbättra.

Såsom artificiella intelligenssystem blir alltmer centrala i det moderna samhället, flyttar sökandet efter mer effektiva datorapproach från akademisk nyfikenhet till praktisk nödvändighet. Un-0 står som bevis för att åtminstone en lovande riktning existerar, och att undersökningen av fysikbaserad artificiell intelligens har bara börjat.