Enerji Verimliliği Yüksek AI: Nöromorfik Bilgisayarlarla Yeni Bir Çağ

Yapay zeka (AI) alanının hızla büyümesi, performansıyla tanınmasına rağmen, önemli bir enerji maliyeti getiriyor. Almanya’nın Erlangen kentindeki Max Planck Institute for the Science of Light’ta 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 potentially devrimleştiriyor.

Mevcut AI modelleri, eğitim sırasında大量 enerji tüketiyor. Tam rakamlar belirsiz olsa da, 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 eğitimi, GPT-3’ü kelime dizilerini öngörme konusunda iyileştirmiş olsa da, bu dizilerin anlamlarını gerçekten anladığı konusunda bir uzlaşı yok.

Nöromorfik Bilgisayarlar: Beyin ve Makineyi Birleştirmek

Geleneksel AI sistemleri, dijital yapay sinir ağlarına güveniyor olsa da, geleceğin nöromorfik bilgisayarlarda yatması mümkün. Max Planck Enstitüsü direktörü ve Erlangen Üniversitesi profesörü Florian Marquardt, geleneksel AI kurulumlarının eksikliğini açıkladı.

“Sadece işlemci ve bellek arasındaki veri transferi bile önemli miktarda enerji tüketiyor” diye vurguladı Marquardt, büyük sinir ağlarını eğitmekteki verimsizlikleri belirtti.

Nöromorfik bilgisayarlar, insan beyninden esinlenerek, verileri paralel olarak değil sıralı olarak işliyor. Aslında, beyindeki sinapslar hem işlemci hem de bellek olarak çalışıyor. Bu özellikleri taklit eden sistemler, hesaplamalar için ışık kullanan fotanik devreler de dahil olmak üzere, şu anda araştırılıyor.

Özgün Öğrenen Fiziksel Makinelerle AI Eğitimi

Doktora öğrencisi Víctor López-Pastor ile birlikte çalışan Marquardt, nöromorfik bilgisayarlar için yenilikçi bir eğitim yöntemi sundu. “Kendini öğrenen fiziksel makine” temel olarak, dış geri bildirime gerek kalmadan, iç bir fiziksel süreç yoluyla parametrelerini optimize ediyor. “Bu geri bildirime gerek olmaması, eğitimi çok daha verimli hale getiriyor” diye vurguladı Marquardt, bu yöntemin hem enerji hem de hesaplama zamanı kazandıracğını belirtti.

Ancak, bu öncü teknik belirli gereksinimlere sahip. Süreç, minimum enerji kaybı garantisi için tersinebilir olmalı ve yeterince karmaşık veya doğrusal olmalıdır. “Sadece doğrusal olmayan süreçler, girdi verisi ve sonuçlar arasında karmaşık dönüşümleri gerçekleştirebilir” diye belirtti Marquardt, doğrusal ve doğrusal olmayan eylemler之间ndaki farkı vurguladı.

Pratik Uygulamaya Doğru

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

“Üç yıl içinde ilk kendini öğrenen fiziksel makineyi sunmayı umuyoruz” diye öngördü Marquardt, bu gelecek ağların daha fazla veri ile eğitileceğini ve daha büyük veri kümeleriyle çalışacağını belirtti. AI’ye artan talepler ve mevcut kurulumların içkin verimsizlikleri göz önüne alındığında, enerji verimliliği yüksek nöromorfik bilgisayarlara geçiş hem kaçınılmaz hem de vaat ediyor.

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