Nanomıknatıslar Bir Şarap Seçebilir ve Yapay Zekanın Enerji Susuzluğunu Azaltabilir

Özet: Araştırmacılar, yeni bir yapay sinir ağının şarap tadım testinde başarılı olduğunu ve yapay zekanın daha az enerjiye aç bir versiyonunu vaat ettiğini bildirdi.

Kaynak: NIST

İnsan beyni bir sürü bilgiyi işler. Şarap meraklıları yeni bir şarabı tattığında, beyinlerindeki sinir ağları her yudumdan bir dizi veriyi işler. Nöronlarındaki sinapslar ateşlenir ve ağdaki bir sonraki nöron katmanına geçmeden önce her bir veri bitinin (asitlik, meyvemsilik, acılık) önemini tartar. Bilgi akarken, beyin şarabın türünü ayrıştırır.

Bilim adamları, yapay zeka (AI) sistemlerinin de karmaşık veri uzmanları olmasını istiyor ve bu nedenle bilgiyi işlemek ve analiz etmek için sinir ağlarının bilgisayar versiyonlarını tasarlıyorlar.

AI birçok görevde insan beynini yakalıyor, ancak genellikle aynı şeyleri yapmak için çok daha fazla enerji tüketiyor. Beynimiz bu hesaplamaları tahminen ortalama 20 watt güç tüketirken yapıyor.

Bir yapay zeka sistemi bunun binlerce katını kullanabilir. Bu donanım aynı zamanda gecikebilir ve yapay zekayı beynimizden daha yavaş, daha az verimli ve daha az etkili hale getirebilir. Yapay zeka araştırmalarının geniş bir alanı, daha az enerji yoğun alternatifler arıyor.

Şimdi, dergide yayınlanan bir çalışmada Fiziki Gözden Geçirme Uygulandı, Ulusal Standartlar ve Teknoloji Enstitüsü’ndeki (NIST) bilim adamları ve işbirlikçileri, AI için daha az enerji kullanabilen ve daha hızlı çalışabilen yeni bir donanım türü geliştirdiler – ve sanal bir şarap tadımı testini çoktan geçti.

Geleneksel bilgisayar sistemlerinde olduğu gibi, AI hem fiziksel donanım devrelerini hem de yazılımı içerir. AI sistem donanımı genellikle bir grup olarak enerjiye susamış çok sayıda geleneksel silikon çip içerir: Örneğin, son teknoloji ürünü bir ticari doğal dil işlemcisini eğitmek, kabaca 190 megawatt saat (MWh) elektrik enerjisi tüketir. ABD’de 16 kişinin bir yılda kullandığı miktar. Ve bu, AI’nın eğitildiği iş üzerinde bir günlük çalışma yapmadan önce.

Yapay zekanın sinir ağlarını oluşturmak için diğer donanım türlerini kullanmak daha az enerji yoğun bir yaklaşım olacaktır ve araştırma ekipleri alternatifler aramaktadır. Umut verici bir cihaz, bir sinir ağının kullandığı matematik türlerinde iyi olan ve yalnızca karşılaştırmalı birkaç yudum enerjiye ihtiyaç duyan manyetik tünel bağlantısıdır (MTJ).

MTJ’lere dayanan diğer yeni cihazların, geleneksel donanım benzerlerinden birkaç kat daha az enerji kullandığı gösterilmiştir. MTJ’ler ayrıca, verileri başka bir yerde depolayan geleneksel çiplerin aksine, hesaplamalarını yaptıkları yerde verileri depoladıkları için daha hızlı çalışabilirler.

Belki de en iyisi, MTJ’ler ticari olarak zaten önemlidir. Yıllardır sabit disk sürücülerinin okuma-yazma kafaları olarak hizmet ettiler ve bugün yeni bilgisayar bellekleri olarak kullanılıyorlar.

Araştırmacılar, sabit disklerde ve diğer cihazlarda geçmişteki performanslarına dayanarak MTJ’lerin enerji verimliliğine güvenseler de, bu çalışmanın odak noktası enerji tüketimi değildi. İlk etapta bir dizi MTJ’nin bir sinir ağı olarak çalışıp çalışamayacağını bilmeleri gerekiyordu. Öğrenmek için sanal bir şarap tadımı için aldılar.

NIST’in Yapay Zeka için Donanım programına sahip bilim adamları ve Maryland Üniversitesi meslektaşları, San Jose, California’daki Western Digital Araştırma Merkezi’ndeki işbirlikçileri tarafından sağlanan MTJ’lerden çok basit bir sinir ağı üretti ve programladı.

Tıpkı herhangi bir şarap uzmanı gibi, AI sisteminin de sanal damak tadına ihtiyacı vardı. Ekip, üç üzüm türünden yapılan 178 veri setinden 148 şarap kullanarak ağı eğitti.

Her sanal şarabın alkol seviyesi, renk, flavonoidler, kül, alkalinite ve magnezyum gibi dikkate alınması gereken 13 özelliği vardı. Ağın bir şarabı diğerlerinden ayırırken göz önünde bulundurması için her bir özelliğe 0 ile 1 arasında bir değer atanmıştır.

NIST fizikçisi Brian Hoskins, “Bu sanal bir şarap tadımı, ancak tadım, kendinizin tadına bakmaktan daha verimli ancak daha az eğlenceli olan analitik ekipmanla yapılıyor” dedi.

Daha sonra, daha önce görmediği 30 şarabı içeren tüm veri seti üzerinde sanal bir şarap tadım testi yapıldı. Sistem %95,3 başarı oranı ile geçti. Eğitim almadığı 30 şaraptan sadece iki hata yaptı. Araştırmacılar bunun iyi bir işaret olduğunu düşündüler.

NIST fizikçisi Jabez McClelland, “% 95,3 elde etmek bize bunun işe yaradığını söylüyor” dedi.

Mesele bir AI sommelier inşa etmek değil. Aksine, bu erken başarı, bir dizi MTJ cihazının potansiyel olarak büyütülebileceğini ve yeni AI sistemleri oluşturmak için kullanılabileceğini gösteriyor.

Bir yapay zeka sisteminin kullandığı enerji miktarı bileşenlerine bağlı olsa da, MTJ’leri sinaps olarak kullanmak enerji kullanımını yarı yarıya azaltabilir, bu da “akıllı” giysiler, minyatür dronlar veya sensörler gibi uygulamalarda daha düşük güç kullanımına olanak sağlayabilir. Verileri kaynağında işleyen.

McClelland, “Bu tür bir diziyi kullanan büyük sinir ağlarının uygulanmasıyla, geleneksel yazılım tabanlı yaklaşımlara göre önemli ölçüde enerji tasarrufu sağlanması muhtemeldir” dedi.

Bu AI araştırma haberleri hakkında

Yazar: Ben Stein
Kaynak: NIST
İletişim: Ben Stein – NIST
Resim: Resim J. McClelland/NIST’e aittir.

Orjinal araştırma: Kapalı erişim.
Brian Hoskins ve diğerleri tarafından “Pasif Manyetik Tünel Bağlantıları Dizisinde İkili Sinir Ağının Uygulanması”. Fiziksel İnceleme Uygulandı

---

Soyut

Pasif Manyetik Tünel Bağlantıları Dizisinde İkili Sinir Ağının Uygulanması

Sinir ağlarının artan ölçeği ve büyüyen uygulama alanı, daha fazla enerji ve bellek açısından verimli yapay zekaya özgü donanım için talep üretti. Ana sorunu, von Neumann darboğazını hafifletmeye yönelik yollar, bellek içi ve belleğe yakın mimarilerin yanı sıra algoritmik yaklaşımları içerir.

Burada, pasif MTJ dizilerine dayanan sinir ağı donanım çıkarımını göstermek için manyetik tünel bağlantılarının (MTJ’ler) düşük güç ve doğal olarak ikili çalışmasından yararlanıyoruz. Genel olarak, eğitimli bir ağ modelinin çıkarım için donanıma aktarılması, cihazdan cihaza farklılıklar, yazma hataları, parazit direnci ve alt tabakadaki idealsizlikler nedeniyle performanstaki düşüşle karşı karşıya kalır.

Bu donanım gerçekliklerinin etkisini ölçmek için, Wine veri setini hem sınıflandırma doğruluğu hem de yazma doğruluğu açısından sınıflandırmak için iki katmanlı bir algılayıcının 300 benzersiz ağırlık matrisi çözümünü karşılaştırıyoruz. Cihaz kusurlarına rağmen, çeşitli cihaz boyutlarına sahip 15 × 15 MTJ dizilerinde ağ parametrelerinin uygun şekilde ayarlanmasıyla %95,3’e varan yazılım eşdeğeri doğruluk elde ediyoruz.

Bu ayarlama sürecinin başarısı, karışık sinyal donanımında yeniden üretilen ağların performansını ve kalitesini karakterize etmek için yeni ölçütlere ihtiyaç olduğunu göstermektedir.