Seuraavan sukupolven tekoälylle tehokkaampi toimintatapa25.06.2026
Mutta Massachusettsin Amherstin yliopiston Hava Siegelmannin johtama tiimi on kehittänyt uudenlaista tekoälyä, joka heijastaa tarkemmin ihmisaivojen toiminnan keskeisiä puolia ja voi toimia huomattavasti pienemmällä energiankulutuksella. ”Nykyiset tekoälyjärjestelmät ovat poikkeuksellisen tehokkaita, mutta ne kuluttavat myös poikkeuksellisen paljon energiaa”, professori Siegelmann sanoi. ”Työmme osoittaa, että on mahdollista suunnitella tekoälyä, joka pysyy erittäin suorituskykyisenä ja toimii samalla paljon tehokkaammin.” Yksi syy ihmisaivojen tehokkaaseen toimintaan on niiden asynkroninen toiminta mutta monet nykyiset syväverkkoihin perustuvat tekoälyjärjestelmät, perustuvat miljoonien tai miljardien keinotekoisten neuronien erittäin synkronoituihin globaalin kellon ohjaamiin laskelmiin. ”Tämä synkronoitu lähestymistapa toimi hyvin, kun neuroverkot olivat suhteellisen pieniä”, Siegelmann selitti. ”Mutta tekoälyjärjestelmien kasvaessa miljardeihin ja jopa biljooniin parametreihin, energiantarpeesta on tullut yhä kalliimpaa, ympäristön kannalta merkittävämpää ja epäkäytännöllisempää autonomisille järjestelmille, kuten roboteille.” ”Tutkijat ovat aiemmin tutkineet asynkronisia piikitysneuroverkkoja keinona parantaa energiatehokkuutta”, hän jatkoi, ”mutta he ovat havainneet merkittäviä oppimisen ja sopeutumisen esteitä, koska piikitysarkkitehtuureille toimivat koulutusmenetelmät ovat paljon huonompia kuin gradienttipohjaiset koulutusmenetelmät, mukaan lukien takaisinkulkeminen, joka on tehnyt nykyaikaisista syvistä neuroverkoista niin menestyksekkäitä.” Siegelmannin uusin tutkimusryhmä pyrki yhdistämään molempien lähestymistapojen edut. Tuloksena on ANT eli Asynchronous Neural Turing -verkot – uusi arkkitehtuuri, joka poistaa globaalin synkronoinnin tarpeen säilyttäen samalla differentioituvat neuroverkot, jotka tekevät syvistä neuroverkoista erittäin helposti koulutettavia. ”Keskeinen haaste oli poistaa synkronoitu globaali kello tinkimättä laskentatehosta tai sopeutumiskyvystä”, Siegelmann sanoi. ”Kehitimme uusia suunnitteluperiaatteita, jotka mahdollistavat datan säilyttämisen asynkronisten päivitysten aikana samalla, kun säilytetään tehokkaat oppimisominaisuudet.” Koska ANT päivittää vain ne neuronit, joita tarvitaan kussakin laskentavaiheessa, se voi vähentää energiankulutusta suuruusluokkaa. Siegelman jatkoi: ”Periaatteessa ANT voi vastata perinteisten digitaalisten järjestelmien ja nykyaikaisten syvien neuroverkkojen laskentatehoon ja toimia samalla tehokkaasti.” Työ perustuu Siegelmannin pitkäaikaisiin panoksiin teoreettisessa neuroverkossa, mukaan lukien hänen merkittävään vuoden 1995 osoitukseensa, jonka mukaan rekursiiviset neuroverkot omaavat Turingin koneisiin verrattavia laskennallisia ominaisuuksia. Aiheesta aiemmin: |
Nanotekniikka on tulevaisuuden lupaus. Näillä sivuilla seurataan elektroniikkaa sekä tieto- ja sähkötekniikkaa sivuavia nanoteknisiä tiedeuutisia.
Tekoälyjärjestelmien kasvaessa suuremmiksi ja tehokkaammiksi, niiden energiankulutus kasvaa dramaattisesti.