โมเดลและแพลตฟอร์ม AI
ระบบใหม่เพื่อแก้ปัญหาการใช้พลังงานของ AI
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
คอมพิวเตอร์ที่พึ่งพาแพลตฟอร์มปัญญาประดิษฐ์ (AI) ต้องการพลังงานจำนวนมาก และความต้องการพลังงานในการคำนวณนี้เพิ่มขึ้นประมาณสองเท่าทุกๆ 3-4 เดือน เมื่อพูดถึงศูนย์ข้อมูลคลาวด์ ซึ่งใช้โดยแอปพลิเคชัน AI และการเรียนรู้ของเครื่อง พวกเขากินพลังงานไฟฟ้ามากกว่าบางประเทศเล็กๆ ในแต่ละปี นักวิจัยหลายคนเตือนว่าระบบนี้ไม่ยั่งยืน
ทีมนักวิจัยที่นำโดยมหาวิทยาลัยวอชิงตันได้คิดค้นวิธีแก้ปัญหาที่จะช่วยแก้ปัญหานี้ – ฮาร์ดแวร์คอมพิวเตอร์แบบออปติคอลใหม่สำหรับ AI และการเรียนรู้ของเครื่อง ฮาร์ดแวร์นี้เร็วกว่าและประหยัดพลังงานมากกว่าอิเล็กทรอนิกส์แบบเดิมๆ มันช่วยแก้ปัญหา ‘เสียงรบกวน’ ที่เกิดจากคอมพิวเตอร์แบบออปติคอล ซึ่งสามารถรบกวนความแม่นยำในการคำนวณ
การวิจัยนี้ได้รับการตีพิมพ์ในวันที่ 21 มกราคม ใน Science Advances.
การใช้เสียงรบกวนเป็นข้อมูลเข้า
ในบทความวิจัย ทีมงานได้แสดงให้เห็นว่าระบบคอมพิวเตอร์แบบออปติคอลสำหรับ AI และการเรียนรู้ของเครื่องสามารถใช้เสียงรบกวนบางส่วนเป็นข้อมูลเข้าเพื่อเพิ่มผลลัพธ์สร้างสรรค์ของเครือข่ายประสาทเทียม (ANN) ภายในระบบ
Changming Wu เป็นนักศึกษาระดับ博士จากมหาวิทยาลัยวอชิงตันในสาขาวิศวกรรมไฟฟ้าและคอมพิวเตอร์ และเป็นผู้เขียนบทความหลัก
“เราได้สร้างคอมพิวเตอร์แบบออปติคอลที่เร็วกว่าคอมพิวเตอร์ดิจิตอลแบบเดิมๆ ” Wu กล่าว “และคอมพิวเตอร์แบบออปติคอลนี้สามารถสร้างสิ่งใหม่ๆ ตามข้อมูลสุ่มที่เกิดจากเสียงรบกวนของออปติคอลที่นักวิจัยส่วนใหญ่พยายามหลีกเลี่ยง”
เสียงรบกวนของการคำนวณแบบออปติคอลเกิดจากอนุภาคแสงหรือโฟตอน ซึ่งผลิตโดยเลเซอร์ภายในอุปกรณ์และการแผ่รังสีจากความร้อนภูมิหลัง เพื่อแก้ไขปัญหาเสียงรบกวน ทีมงานได้เชื่อมต่อ核心ของการคำนวณแบบออปติคอลกับเครือข่ายแบบ Generative Adversarial Network (GAN) จากนั้นทดสอบเทคนิคการลดเสียงรบกวนต่างๆ เช่น การใช้เสียงรบกวนที่เกิดเป็นข้อมูลสุ่มสำหรับ GAN
ทีมงานสอน GAN ให้เรียนรู้วิธีเขียนตัวเลข ‘7’ อย่างมนุษย์ ซึ่งหมายความว่ามันจะต้องเรียนรู้งานโดยการดูตัวอย่างการเขียนมือก่อนที่จะฝึกฝนซ้ำๆ เนื่องจากรูปแบบของคอมพิวเตอร์แบบออปติคอล จึงต้องสร้างภาพดิจิตอลที่มีรูปแบบคล้ายกับตัวอย่าง
Mo Li เป็นศาสตราจารย์จากมหาวิทยาลัยวอชิงตันในสาขาวิศวกรรมไฟฟ้าและคอมพิวเตอร์ และเป็นผู้เขียนบทความหลัก
“แทนที่จะฝึกเครือข่ายให้อ่านตัวเลขที่เขียนด้วยมือ เราฝึกเครือข่ายให้เรียนรู้วิธีเขียนตัวเลข โดยเลียนแบบตัวอย่างการเขียนมือที่ได้รับการฝึกฝน” Li กล่าว “เราได้ร่วมมือกับหุ้นส่วนจากภาควิชาวิทยาการคอมพิวเตอร์ของมหาวิทยาลัย Duke เพื่อแสดงให้เห็นว่า GAN สามารถลดผลกระทบเสียหายจากเสียงรบกวนของฮาร์ดแวร์แบบออปติคอลได้โดยใช้อัลกอริธึมการฝึกที่ทนต่อข้อผิดพลาดและเสียงรบกวน มากกว่านั้น เครือข่ายใช้เสียงรบกวนเป็นข้อมูลสุ่มที่จำเป็นต้องสร้างตัวอย่างผลลัพธ์”
เมื่อ GAN ฝึกฝนการเขียนตัวเลข ‘7’ ต่อไป มันพัฒนารูปแบบการเขียนที่เป็นเอกลักษณ์ของตนเอง และในที่สุดก็สามารถเขียนตัวเลขจาก 1 ถึง 10 ในการจำลองบนคอมพิวเตอร์ได้
การสร้างอุปกรณ์ขนาดใหญ่ขึ้น
ทีมงานจะพยายามสร้างอุปกรณ์ขนาดใหญ่ขึ้นโดยใช้เทคโนโลยีการผลิตเซมิคอนดักเตอร์ปัจจุบัน ซึ่งจะปรับปรุงประสิทธิภาพและช่วยให้ทีมสามารถทำงานที่ซับซ้อนมากขึ้น
“ระบบออปติคอลนี้แสดงถึงสถาปัตยกรรมฮาร์ดแวร์คอมพิวเตอร์ที่สามารถเพิ่มความสร้างสรรค์ของเครือข่ายประสาทเทียมที่ใช้ใน AI และการเรียนรู้ของเครื่อง แต่ที่สำคัญกว่านั้น มันแสดงให้เห็นถึงความเป็นไปได้ของระบบนี้ในขนาดใหญ่ โดยที่เสียงรบกวนและข้อผิดพลาดสามารถลดและแม้กระทั่ง ใช้ประโยชน์ได้” Li กล่าว “แอปพลิเคชัน AI กำลังเติบโตอย่างรวดเร็ว ในอนาคต การบริโภคพลังงานของพวกเขาจะไม่ยั่งยืน เทคโนโลยีนี้มีศักยภาพที่จะช่วยลดการบริโภคพลังงานนี้ ทำให้ AI และการเรียนรู้ของเครื่องเป็นมิตรกับสิ่งแวดล้อม — และเร็วมาก โดยบรรลุประสิทธิภาพโดยรวมที่สูงขึ้น”
