Tarkkuutta tekoälyyn

Memristoreilla täytetty piikiekko Credit: UCL

Erittäin energiatehokas tekoäly on nyt lähempänä todellisuutta University College Londonin tutkijoiden löydettyä tavan parantaa aivojen innoittaman tietojenkäsittelyjärjestelmän tarkkuutta.

Järjestelmä, joka käyttää memristoreita keinotekoisten hermoverkkojen luomiseen, on vähintään tuhat kertaa energiatehokkaampi kuin perinteiset transistoripohjaiset tekoälylaitteet, mutta ovat tähän asti olleet alttiimpia virheille. Lisäksi se voi vähentää huomattavasti tekoälyn hiilijalanjälkeä.

Olemassa oleva tekoäly on erittäin energiaintensiivinen - yhden tekoälyn mallin kouluttaminen voi tuottaa 284 tonnia hiilidioksidia, mikä vastaa viiden auton elinkaaren ajan päästöjä. Kaikkien digitaalisten laitteiden muodostavien transistoreiden korvaaminen memristoreilla voisi vähentää tämän murto-osaksi hiilidioksiditonnia.

Koska memristorit ovat niin paljon energiatehokkaampia kuin nykyiset tietojenkäsittelyjärjestelmät, ne voivat mahdollisesti pakata suuria määriä laskentatehoa kädessä pidettäviin laitteisiin, mikä poistaa tarpeen liittyä yhä ruuhkautuvampaan Internetiin.

Tutkimuksessaan UCL:n insinöörit havaitsivat, että tekoälyn tarkkuutta voitaisiin parantaa huomattavasti saamalla memristorit toimimaan yhdessä useissa neuroverkkojen alaryhmissä ja keskiarvoistamalla laskelmansa, mikä tarkoittaa, että kunkin verkon puutteet voidaan poistaa eliminoida.

Memristoreita kuvataan "muistin omaavina resistansseina". Siten ne tarjoavat huomattavasti paremman tehokkuuden, koska ne eivät toimi pelkästään ykkösten ja nollien binäärikoodina, vaan useilla tasoilla nollan ja yhden välillä samanaikaisesti, mikä tarkoittaa, että jokaiseen bittiin voidaan pakata enemmän informaatiota.

Lisäksi memristoreja kuvataan usein neuromorfisena (aivojen innoittamana) laskentamuotona, koska kuten aivoissa, käsittely ja muisti toteutetaan samoissa mukautuvissa rakennepalikoissa, toisin kuin nykyiset tietokonejärjestelmät, jotka tuhlaavat paljon energiaa datan siirtelyyn.

Tutkijat testasivat uutta lähestymistapaa useissa erityyppisillä memristoreilla ja havaitsivat, että se paransi kaikkien niiden tarkkuutta. riippumatta materiaalista tai erityisestä memristoritekniikasta. Se toimi myös useiden erilaisten ongelmien kohdalla, jotka saattavat vaikuttaa memristorien tarkkuuteen.

He havaitsivat myös, että heidän lähestymistapansa lisäsi neuroverkkojen tarkkuutta tyypillisissä tekoälytehtävissä vertailukelpoiseen tasoon perinteisillä digitaalisilla laitteilla suoritettaviin ohjelmistotyökaluihin.

Tutkimuksen vetäjä Adnan Mehonic sanoo: "Toivoimme, että saattaa olla yleisempiä lähestymistapoja, joiden parannus ei tapahdu laitetasolla, vaan järjestelmätasolla ja uskomme, että löysimme yhden sellaisen. Lähestymistapamme osoittaa sen, että mitä tulee memristoreihin, useat päät ovat parempia kuin yksi. Neuroverkon järjestäminen useisiin pienempiin verkkoihin yhdeksi isoksi verkoksi johti yleiseen tarkkuuteen."

Aiheesta aiemmin:

Neuromorfinen memristori

Vauhtia laskentaan memristoreilla