Tehokkaampaa koulutusta tekoälylle

Uudet fysiikkaan perustuvat itseoppivat koneet voisivat korvata nykyiset keinotekoiset neuroverkot ja säästää energiaa

Tekoäly ei ainoastaan tarjoa vaikuttavaa suorituskykyä, vaan luo myös merkittävää energian kysyntää. Mitä vaativampia tehtäviä varten se on koulutettu, sitä enemmän se kuluttaa energiaa.

Víctor López-Pastor ja Florian Marquardt, kaksi tutkijaa Max Planck Institute for the Science of Lightissa Erlangenissa, esittelevät menetelmän, jolla tekoälyä voitaisiin kouluttaa paljon tehokkaammin. Heidän lähestymistapansa perustuu fyysisiin prosesseihin eikä nykyisin käytettyihin digitaalisiin keinotekoisiin neuroverkkoihin.

Erilaisia järjestelmiä ympäri maailmaa käsitellään mahdollisina ehdokkaina hermosolujemme neuromorfisille vastineille, mukaan lukien fotonipiirit, jotka käyttävät valoa elektronien sijasta laskelmien suorittamiseen. Fotonipiirien komponentit toimivat samanaikaisesti sekä kytkiminä että muistisoluina.

Tutkijat ovat nyt kehittäneet tehokkaan koulutusmenetelmän neuromorfisille tietokoneille. "Olemme kehittäneet itseoppivan fyysisen koneen konseptin", Florian Marquardt selittää. "Ydinideana on toteuttaa koulutus fyysisenä prosessina, jossa koneen parametrit optimoidaan itse prosessilla."

Perinteisiä keinotekoisia neuroverkkoja harjoitettaessa tarvitaan ulkoista palautetta monien miljardien synaptisten yhteyksien vahvuuksien säätämiseksi. "Tämän palautteen pois jättäminen tekee koulutuksesta paljon tehokkaampaa", Marquardt sanoo. Tekoälyn käyttöönotto ja kouluttaminen itseoppivalla fyysisellä koneella säästäisi energiaa, mutta myös laskenta-aikaa.

"Menetelmämme toimii riippumatta siitä, mikä fyysinen prosessi itseoppivassa koneessa tapahtuu, eikä meidän tarvitse edes tietää tarkkaa prosessia", Marquardt selittää. "Prosessin on kuitenkin täytettävä muutama ehto. Tärkeintä on, että se on palautuva eli sen on kyettävä kulkemaan eteen- tai taaksepäin mahdollisimman vähäisillä energiahäviöillä."

"Lisäksi fyysisen prosessin on oltava epälineaarinen eli riittävän monimutkainen", Marquardt sanoo. Vain epälineaariset prosessit voivat suorittaa monimutkaiset muunnokset syötetietojen ja tulosten välillä.

Esimerkkejä palautuvista, epälineaarisista prosesseista löytyy optiikasta. Itse asiassa López-Pastor ja Marquardt tekevät jo yhteistyötä kokeellisen ryhmän kanssa, joka kehittää optista neuromorfista tietokonetta. Tämä kone käsittelee informaatiota päällekkäisten valoaaltojen muodossa, jolloin sopivat komponentit säätelevät vuorovaikutuksen tyyppiä ja voimakkuutta. Tutkijoiden tavoitteena on toteuttaa itseoppivan fyysisen koneen käsite käytännössä.

"Toivomme, että voimme esitellä ensimmäisen itseoppivan fyysisen koneen kolmen vuoden kuluessa’", Florian Marquardt sanoo. Siihen mennessä pitäisi olla neuroverkkoja, jotka ajattelevat paljon enemmän synapseilla ja jotka on koulutettu huomattavasti suuremmilla tietomäärillä kuin nykyään.

Seurauksena on todennäköisesti entistä suurempi halu toteuttaa neuroverkkoja perinteisten digitaalisten tietokoneiden ulkopuolelle ja korvata ne tehokkaasti koulutetuilla neuromorfisilla tietokoneilla. "Olemme siis varmoja, että itseoppivilla fyysisillä koneilla on hyvät mahdollisuudet tulla käyttöön tekoälyn jatkokehityksessä", fyysikko sanoo.

Aiheesta aiemmin:

Seuraava askel neuromorfista laskentaa

Skyrmionit lukevat käsialaa