Enerji Verimli AI: Nöromorfik Bilgisayarlarla Yeni Bir Şafak

Yapay zeka (AI) alanının hızla büyümesi, performansıyla tanınmasına rağmen önemli bir enerji maliyeti getiriyor. Max Planck Institute for the Science of Light’ın Erlangen, Almanya’daki iki önde gelen bilim insanı tarafından önerilen yeni bir yaklaşım, AI’yi daha verimli bir şekilde eğitmeyi hedefliyor ve bu da AI’nin veri işleme şeklini potansiyel olarak devrimleştiriyor.

Mevcut AI modelleri, eğitim sırasında大量 enerji tüketiyor. Kesin rakamlar bulunmamakla birlikte, Statista’nın tahminlerine göre GPT-3’ün eğitimi yaklaşık 1000 megawatt saat enerji gerektiriyor – bu, 200 büyük Alman hanenin yıllık tüketimine eşdeğer. Bu enerji yoğun eğitimin GPT-3’ü kelime dizilerini öngörme konusunda iyileştirdiği, ancak bu tür cümlelerin içkin anlamlarını kavramadığı konusunda bir mutabakat vardır.

Nöromorfik Bilgisayarlar: Beyin ve Makineyi Birleştirmek

Geleneksel AI sistemleri dijital yapay sinir ağlarına güvenmektedir, ancak geleceğin nöromorfik bilgisayarlarda yatması muhtemeldir. Max Planck Enstitüsü’nün direktörü ve Erlangen Üniversitesi profesörü Florian Marquardt, geleneksel AI kurulumlarının dezavantajını açıkladı.

“İşlemci ve bellek arasındaki veri aktarımı alone önemli miktarda enerji tüketiyor” dedi Marquardt, büyük sinir ağlarını eğitmekteki verimsizlikleri vurguladı.

Nöromorfik bilgisayarlar, verileri paralel olarak değil sıralı olarak işleyen insan beyninden esinlenerek veri işler. Temel olarak, beynin sinapsları hem işlemci hem de bellek olarak işlev görür. Bu özelliklere sahip sistemler, hesaplamalar için ışık kullanan fotonik devreler gibi, şu anda keşfedilmekte olan sistemlerdir.

Özgün Öğrenen Fiziksel Makinelerle AI Eğitimi

Doktora öğrencisi Víctor López-Pastor ile birlikte çalışan Marquardt, nöromorfik bilgisayarlar için yenilikçi bir eğitim yöntemi sundu. “Özgün öğrenen fiziksel makine” temel olarak dahili bir fiziksel süreç aracılığıyla parametrelerini optimize eder, böylece dış geri bildirimi gereksiz kılar. “Bu geri bildirimi gerektirmemesi eğitimi çok daha verimli hale getirir” dedi Marquardt, bu yöntemin hem enerji hem de hesaplama zamanı tasarrufu sağlayacağını belirtti.

Ancak bu öncü teknik belirli gereksinimlere sahiptir. Süreç geri döndürülebilir olmalı, böylece minimum enerji kaybı sağlanmalıdır ve yeterli ölçüde karmaşık veya doğrusal olmalıdır. “Sadece doğrusal olmayan süreçler, girdi verisi ve sonuçlar arasındaki karmaşık dönüşümleri gerçekleştirebilir” dedi Marquardt, doğrusal ve doğrusal olmayan eylemler arasında bir ayrım yaptı.

Pratik Uygulamaya Doğru

İkili’nin teorik altyapısı pratik uygulamalarla uyumlu. Deneysel bir ekip ile işbirliği içinde, süperpozisyonlu ışık dalgaları kullanarak bilgi işleyen bir optik nöromorfik bilgisayar geliştiriyorlar. Amaçları açık: özgün öğrenen fiziksel makine kavramını gerçeğe dönüştürmek.

“Üç yıl içinde ilk özgün öğrenen fiziksel makineyi sunmayı umuyoruz” dedi Marquardt, bu gelecek ağların daha fazla veri işleyeceğini ve çağdaş sistemlerden daha büyük veri kümeleriyle eğitileceğini belirtti. AI’ye artan talepler ve mevcut kurulumların içkin verimsizlikleri göz önüne alındığında, enerji verimli eğitilmiş nöromorfik bilgisayarlara geçiş hem kaçınılmaz hem de umut verici görünüyor.

Marquardt’ın sözleriyle, “Özgün öğrenen fiziksel makinelerin yapay zekanın devam eden evriminde sağlam bir şansları olduğuna inanıyoruz.” Bilim topluluğu ve AI meraklıları, geleceğin neler getireceğini merakla bekliyor.