Hệ Thống Mới Nhằm Giải Quyết Vấn Đề Tiêu Thụ Năng Lượng Của Trí Tuệ Nhân Tạo

Các máy tính dựa trên trí tuệ nhân tạo (AI) yêu cầu rất nhiều năng lượng, và nhu cầu điện toán này gần như tăng gấp đôi mỗi ba đến bốn tháng. Khi nói đến các trung tâm dữ liệu điện toán đám mây, được sử dụng bởi các ứng dụng AI và học máy, chúng sử dụng nhiều điện năng mỗi năm hơn một số quốc gia nhỏ. Nhiều nhà nghiên cứu đang cảnh báo rằng hệ thống này không bền vững.

Một nhóm các nhà nghiên cứu do Đại học Washington dẫn đầu đã đưa ra một giải pháp để giúp giải quyết vấn đề này – phần cứng máy tính quang học mới cho AI và học máy. Phần cứng này nhanh hơn và tiết kiệm năng lượng hơn rất nhiều so với điện tử thông thường. Nó cũng giúp giải quyết ‘tiếng ồn’ do máy tính quang học gây ra, có thể can thiệp vào độ chính xác của máy tính.

Nghiên cứu được công bố vào ngày 21 tháng 1 trên Science Advances.

Sử Dụng Tiếng Ồn Là Đầu Vào

Trong bài báo nghiên cứu, nhóm đã chứng minh cách một hệ thống máy tính quang học cho AI và học máy có thể sử dụng một số tiếng ồn như đầu vào để tăng cường đầu ra sáng tạo của mạng nơ-ron nhân tạo (ANN) trong hệ thống.

Changming Wu là một nghiên cứu sinh tiến sĩ tại Đại học Washington về kỹ thuật điện và máy tính và là tác giả chính của bài báo.

“Chúng tôi đã xây dựng một máy tính quang học nhanh hơn máy tính kỹ thuật số thông thường,” Wu nói. “Và cũng, máy tính quang học này có thể tạo ra những thứ mới dựa trên đầu vào ngẫu nhiên được tạo ra từ tiếng ồn quang học mà hầu hết các nhà nghiên cứu đã cố gắng tránh.”

Tiếng ồn máy tính quang học được gây ra bởi các hạt ánh sáng lang thang, hoặc photon. Chúng được tạo ra bởi các laser trong thiết bị và bức xạ nhiệt nền. Để nhắm vào tiếng ồn, nhóm đã kết nối lõi máy tính quang học của họ với một mạng đối lập tạo sinh (GAN). Sau đó, họ đã thử nghiệm các kỹ thuật giảm tiếng ồn khác nhau, chẳng hạn như sử dụng một số tiếng ồn được tạo ra như đầu vào ngẫu nhiên cho GAN.

Nhóm đã yêu cầu GAN học cách viết tay số ‘7’ như một con người, điều này có nghĩa là nó phải học nhiệm vụ bằng cách quan sát các mẫu viết tay trước khi thực hành nhiều lần. Do hình thức của nó, máy tính quang học phải tạo ra các hình ảnh kỹ thuật số có phong cách tương tự như các mẫu.

Mo Li là một giáo sư tại Đại học Washington về kỹ thuật điện và máy tính và là tác giả cao cấp của bài báo.

“Thay vì đào tạo mạng để đọc số viết tay, chúng tôi đã đào tạo mạng để học viết số, bắt chước các mẫu viết tay mà nó đã được đào tạo,” Li nói. “Chúng tôi, với sự giúp đỡ của các cộng tác viên khoa học máy tính tại Đại học Duke, cũng đã chỉ ra rằng GAN có thể giảm thiểu tác động tiêu cực của tiếng ồn phần cứng máy tính quang học bằng cách sử dụng một thuật toán đào tạo mạnh mẽ đối với lỗi và tiếng ồn. Hơn thế, mạng thực sự sử dụng tiếng ồn như đầu vào ngẫu nhiên cần thiết để tạo ra các thể hiện đầu ra.”

Khi GAN tiếp tục thực hành viết số, nó đã phát triển phong cách viết riêng. Cuối cùng, nó đã có thể viết số từ một đến 10 trong các mô phỏng máy tính.

Xây Dựng Thiết Bị Qui Mô Lớn Hơn

Nhóm sẽ hiện đang tìm cách xây dựng thiết bị với quy mô lớn hơn thông qua việc sử dụng công nghệ sản xuất bán dẫn hiện tại, điều này sẽ cải thiện hiệu suất và cho phép nhóm thực hiện các nhiệm vụ phức tạp hơn.

“Hệ thống quang học này đại diện cho một kiến trúc phần cứng máy tính có thể tăng cường sự sáng tạo của các mạng nơ-ron nhân tạo được sử dụng trong AI và học máy, nhưng quan trọng hơn, nó chứng minh sự khả thi của hệ thống này ở quy mô lớn nơi tiếng ồn và lỗi có thể được giảm thiểu và thậm chí được khai thác,” Li nói. “Các ứng dụng AI đang phát triển rất nhanh nên trong tương lai, tiêu thụ năng lượng của chúng sẽ không bền vững. Công nghệ này có tiềm năng giúp giảm tiêu thụ năng lượng, làm cho AI và học máy trở nên bền vững về môi trường – và rất nhanh, đạt được hiệu suất tổng thể cao hơn.