Sposób na kryzys AI? Elektronika działająca jak mózg
Fizycy z Uniwerystetu Loughborough opracowali układ, który przetwarza dane zmienne w czasie bezpośrednio w sprzęcie. Według zespołu w części zadań może to dać nawet 2 tys. razy lepszą efektywność energetyczną.
Kryzys związany z gwałtownym zapotrzebowaniem na podzespoły do obsługi sztucznej inteligencji można rozwiązać nowym urządzeniem. Nad rozwiązaniem pracował zespół z Uniwersytetu Loughborough w Wielkiej Brytanii. Układ ma wykonywać obliczenia na sygnałach zmieniających się w czasie w samym urządzeniu, zamiast przenosić je do klasycznego oprogramowania uruchamianego na standardowych komputerach.
Autorzy podkreślają, że skala oszczędności energii zależy od zastosowania, ale w wybranych zadaniach może to być nawet ok. 2 tys. razy mniejsze zużycie energii względem podejść opartych na wysyłaniu danych do oprogramowania. To z kolei krok do rewolucji w podejściu dotyczącym sztucznej inteligencji.
Chip dla AI z tlenkiem niobu
Prace opisano w czasopiśmie "Advanced Intelligent Systems". Kluczowym elementem jest cienkowarstwowy memrystor na bazie tlenku niobu, w którym zaprojektowano losowe nanoporowate struktury. To one mają tworzyć złożone, fizyczne połączenia wykorzystywane do obliczeń, poniekąd pracujące jak synapsy.
- Zainspirowani tym, jak ludzki mózg tworzy bardzo liczne i pozornie losowe połączenia neuronów, stworzyliśmy złożone, losowe połączenia fizyczne w sztucznej sieci neuronowej, projektując pory w nanometrowej warstwie tlenku niobu - wyjaśnił dr Borisov.
Zespół przetestował układ w kilku scenariuszach. Wśród zadań pokazujących działanie chipu, znalazły się:
- operacje logiczne (m.in. XOR),
- rozpoznawanie prostych, rozpikselowych obrazów cyfr,
- prognozowanie i rekonstrukcja szeregów czasowych.
W przypadku szeregów czasowych (uporządkowanych ciągów obserwacji zebranych w określonych odstępach czasu) badacze użyli trójwymiarowego, chaotycznego modelu serii czasowej Lorenz-63, kojarzonego z "efektem motyla", czyli potrafiącego dzięki niewielkim zmianom doprowadzić do bardzo różnych wyników.
Jak opisali badacze, po przetworzeniu sygnałów przez urządzenie i podaniu wyjścia do liniowego modelu komputerowego system potrafił wykrywać wzorce, przewidywać krótkoterminowe zachowanie oraz odtwarzać brakujące dane. Poprawnie identyfikował rozpikselowane cyfry i wykonywał proste operacje logiczne.
- To ekscytujące, bo pokazuje, że możemy przemyśleć na nowo, jak buduje się systemy AI - powiedział dr Pavel Borisov, starszy wykładowca fizyki, który kierował zespołem. - Korzystając z procesów fizycznych zamiast polegać wyłącznie na oprogramowaniu, możemy znacząco ograniczyć energię potrzebną do takich zadań - dodał.
