Enerji Verimli Yapay Zeka: Nöromorfik Bilgisayarlarla Yeni Bir Şafak

Hızla büyüyen yapay zeka (AI) alanı, performansıyla ünlüdür ancak önemli bir enerji maliyetine de sahiptir. A yeni yaklaşımAlmanya'nın Erlangen kentindeki Max Planck Işık Bilimi Enstitüsü'nün önde gelen iki bilim adamı tarafından önerilen yapay zekayı daha verimli bir şekilde eğitmeyi ve potansiyel olarak yapay zekanın verileri işleme biçiminde devrim yaratmayı amaçlıyor.

Mevcut yapay zeka modelleri eğitim sırasında büyük miktarda enerji tüketiyor. Kesin rakamlar zor olsa da, Statista'nın tahminleri GPT-3'ün eğitiminin yaklaşık 1000 megawatt saat gerektirdiğini öne sürüyor; bu da 200 büyük Alman hanesinin yıllık tüketimine eşdeğer. Bu enerji yoğun eğitim, kelime dizilerini tahmin etmek için GPT-3'e ince ayar yapmış olsa da, bu tür ifadelerin doğasında olan anlamları kavramadığı konusunda fikir birliği var.

Nöromorfik Hesaplama: Beyin ve Makinenin Birleştirilmesi

Geleneksel yapay zeka sistemleri dijital yapay sinir ağlarına dayanırken, gelecek nöromorfik bilişimde olabilir. Max Planck Enstitüsü'nde direktör ve Erlangen Üniversitesi'nde profesör olan Florian Marquardt, geleneksel yapay zeka kurulumlarının dezavantajlarını açıkladı.

Marquardt, geniş sinir ağlarının eğitilmesindeki verimsizliklere dikkat çekerek, "İşlemci ile bellek arasındaki veri aktarımı tek başına önemli miktarda enerji tüketiyor" dedi.

Nöromorfik hesaplama, verileri sıralı olarak işlemek yerine paralel olarak işleyerek insan beyninden ilham alır. Esasen beyindeki sinapslar hem işlemci hem de hafıza olarak işlev görür. Hesaplamalar için ışıktan yararlanan fotonik devreler gibi bu özellikleri taklit eden sistemler şu anda araştırılmaktadır.

Kendi Kendine Öğrenen Fiziksel Makinelerle Yapay Zekayı Eğitmek

Doktora öğrencisi Víctor López-Pastor ile birlikte çalışan Marquardt, nöromorfik bilgisayarlar için yenilikçi bir eğitim yöntemi tanıttı. "Kendi kendine öğrenen fiziksel makineleri", parametrelerini temel olarak doğal bir fiziksel süreç aracılığıyla optimize ederek harici geri bildirimi gereksiz hale getiriyor. Marquardt, "Bu geri bildirime gerek duyulmaması eğitimi çok daha verimli kılıyor" diyerek bu yöntemin hem enerjiden hem de hesaplama süresinden tasarruf sağlayacağını öne sürdü.

Ancak bu çığır açıcı tekniğin özel gereksinimleri var. Proses tersine çevrilebilir olmalı, minimum enerji kaybı sağlanmalı ve yeterince karmaşık veya doğrusal olmamalıdır. Marquardt, doğrusal ve doğrusal olmayan eylemler arasında bir ayrım yaparak, "Girdi verileri ve sonuçlar arasındaki karmaşık dönüşümleri yalnızca doğrusal olmayan süreçler gerçekleştirebilir" dedi.

Pratik Uygulamaya Doğru

İkilinin teorik temeli pratik uygulamalarla uyumludur. Deneysel bir ekiple işbirliği yaparak, üst üste gelen ışık dalgalarını kullanarak bilgiyi işleyen optik nöromorfik bir bilgisayar geliştiriyorlar. Hedefleri açık: kendi kendine öğrenen fiziksel makine konseptini hayata geçirmek.

Marquardt, "Kendi kendine öğrenen ilk fiziksel makineyi üç yıl içinde sunmayı umuyoruz" diyerek gelecekteki ağların daha fazla veri işleyebileceğini ve çağdaş sistemlere göre daha büyük veri kümeleriyle eğitilebileceğini belirtti. Yapay zekaya yönelik artan talepler ve mevcut kurulumların içsel verimsizlikleri göz önüne alındığında, verimli bir şekilde eğitilmiş nöromorfik bilgisayarlara geçiş hem kaçınılmaz hem de umut verici görünüyor.

Marquardt'ın sözleriyle, "Kendi kendine öğrenen fiziksel makinelerin, yapay zekanın devam eden evriminde sağlam bir şansa sahip olduğuna inanıyoruz." Bilim camiası ve yapay zeka meraklıları geleceğin neler getireceğini nefesini tutarak bekliyor.