Важной задачей в высокотехнологичном мире становится повышение эффективности при снижении потребления энергии. На ее решение нацелены лучшие умы человечества, но иногда не обходится без курьезов.
К примеру, американские ученые из программы NIST Hardware for AI и их коллеги из Университета Мэриленда создали свою нейронную сеть, которая работает с повышенной эффективностью. Новый тип аппаратного обеспечения для искусственного интеллекта (ИИ) потребляет меньше энергии, работает быстрее и при этом является мечтой любого сомелье.
Дело в том, что как и в случае с традиционными компьютерными системами, у ИИ есть физические аппаратные схемы и программное обеспечение. В аппаратном обеспечении обычно есть большое количество обычных кремниевых чипов, которые потребляют много энергии. К примеру, на обучение одного современного коммерческого процессора нужно примерно 190 мегаватт-часов (МВт*ч) электроэнергии.
Менее энергоемкий подход – использовать для создания нейронных сетей другие виды оборудования. Одно из многообещающих устройств – магнитный туннельный переход (magnetic tunnel junctions – MTJ). Устройства на MTJ потребляют в несколько раз меньше энергии, чем их традиционные аналоги, работают быстрее, так как хранят данные в том же месте, где выполняют вычисления.
Новая нейросеть, как и обычные дегустаторы вин – сомелье, должна «натренировать» свой вкус. Команда обучила сеть, используя 148 вин, изготовленных из трех видов винограда. Каждое виртуальное вино имело 13 характеристик, которые необходимо было учитывать:
- градус алкоголя
- цвет
- щелочность
- магний
Каждой характеристике было присвоено значение от 0 до 1, чтобы сеть учитывала его и отличала одно вино от другого.
Дальше ИИ прошел виртуальный тест с набором данных, который включал 30 неизвестных вин. Система работала с точностью 95,3%.
Следует отметить, что у авторов не было задачи создать ИИ-сомелье. Это был, условно говоря, необычный побочный эффект.
Главный же вывод – устройства MTJ можно расширить и использовать для создания новых систем ИИ. Причем количество энергии, потребляемой системой, зависит от ее компонентов, но если использовать MTJ в качестве синапсов, можно сократить потребление энергии еще вдвое.
