Araştırmacılar Memristorleri Daha Enerji Verimli Sinir Ağları Oluşturmak için Kullanıyor

Yapay zeka’nın menos glamoröz yönlerinden biri, genellikle büyük miktarda işlem gücü gerektirmesi ve bu nedenle büyük bir enerji ayak izine sahip olmasıdır. UCL’de yapılan recent çalışmalar, bir yapay zeka’nın enerji verimliliğini iyileştirmek için bir yöntem belirledi.

Sinir ağları ve makine öğrenimi güçlü araçlar, ancak yapay zeka’nın en etkileyici başarıları genellikle büyük bir enerji maliyeti ile ilişkilendirilir. Örneğin, OpenAI bir robotik eli Rubik Küpü manipüle etmeyi öğrendiğinde, bu başarıya yaklaşık 2.8 gigawatt-saat elektrik gerektiği tahmin edildi.

TechExplore’a göre, UCL’deki araştırmacılar yapay sinir ağları oluşturmak için yeni bir yöntem tasarladılar. Yeni yöntem, geleneksel yaklaşımlarla oluşturulan ağlardan yaklaşık 1000 kat daha enerji-verimli olan memristorleri kullanıyor. Memristorler, son akım geçen elektrik şarjını hatırlayabilen cihazlar, bu şekilde bellek durumunu korurlar ve cihaz kapatıldıktan sonra bile bellek durumunu koruyabilirler. Memristorler ilk olarak yaklaşık 50 yıl önce teorize edildi, ancak ilk gerçek memristor 2008 yılında oluşturuldu.

Memristorler bazen “neuromorfik” hesaplayıcı cihazlar veya “beyin-esinlenen” cihazlar olarak adlandırılır. Memristorler, beynin bilgi işleme ve bellek oluşturma için kullandığı yapı taşlarına benzerler ve modern bilgisayar sistemlerine kıyasla çok daha verimlidir. Bu memristor cihazlar, kondansatörler ve dirençler gibi özelliklere sahiptir ve son on yılda çeşitli bellek cihazlarında kullanıldı. UCL araştırma ekibi, araştırmalarının bu cihazların birkaç yıl içinde yapay zeka sistemleri oluşturmak için kullanılmasına yardımcı olacağını umuyor.

Memristorlerin geleneksel sinir ağlarına kıyasla daha az verimli olmasına rağmen, UCL araştırmacıları memristorlerin doğruluğunu artırmak için bir yöntem buldu. Araştırmacılar, birçok memristorü alt gruplara ayırarak ve hesaplamaları ortalama alarak, hataların birbirini iptal etmesini ve daha ilgili kalıpların bulunmasını sağladı.

Dr. Adnan Mehonic ve Ph.D. öğrencisi Dovydas Joksas (her ikisi de UCL Elektronik ve Elektrik Mühendisliği) ve ortak yazarları, bu ortalama yaklaşımı çeşitli memristor türlerinde test etti ve tekniğin tüm test edilen memristorlerde doğruluğu iyileştirdiğini buldu. Doğruluk iyileştirmeleri, memristorün yapıldığı malzeme türünden bağımsız olarak tüm gruplara uygulandı.

Dr. Mehonic’e göre, TechExplore tarafından alıntılandı:

“Cihaz düzeyinde değil, sistem düzeyinde davranışını iyileştirebilecek daha genel yaklaşımlar olabileceğini ummuştuk ve böyle bir şey bulduğumuza inanıyoruz. Yaklaşımımız, memristorler söz konusu olduğunda, birkaç başın bir baştan daha iyi olduğunu gösteriyor. Sinir ağını birkaç küçük ağa rather niż bir büyük ağa ayırarak, genel olarak daha yüksek doğruluk elde edildi.”

Araştırma ekibi, bir bilgisayar bilimi tekniğini memristorlere uygulayarak ve hesaplamaları ortalama alarak memristik sinir ağlarının doğruluğunu artırmak için ortak bir hata önleme tekniği kullanmaktan heyecan duydu. Çalışmanın ortak yazarı Profesör Tony Kenyon (UCL Elektronik ve Elektrik Mühendisliği), memristorlerin daha enerji-sürdürülebilir kenar hesaplama cihazları ve IoT cihazları oluşturmakta “öncü rol” oynayabileceğine inanıyor.

Memristorler sadece geleneksel sinir ağları modellerinden daha enerji-verimli değil, aynı zamanda kolayca bir el cihazına dahil edilebilir. Bu, yakın gelecekte giderek daha önemli hale gelecektir, çünkü daha fazla veri yaratılıyor ve iletiliyor ve iletim kapasitesini belirli bir noktaya kadar artırmak zor. Memristorler, büyük miktarda verinin enerji maliyetinin bir kısmında transfer edilmesine yardımcı olabilir.