Uno degli aspetti meno affascinanti dell’intelligenza artificiale è che spesso richiede una grande quantità di potenza di elaborazione e quindi spesso ha una grande impronta energetica. Il recente lavoro svolto dai ricercatori dell’UCL ha determinato un metodo per migliorare l’efficienza energetica di un’intelligenza artificiale.
Le reti neurali e l’apprendimento automatico sono strumenti potenti, ma le imprese più impressionanti dell’intelligenza artificiale di solito hanno un grande costo energetico ad esse associato. Ad esempio, quando OpenAI ha insegnato a una mano robotica a manipolare un cubo di Rubik, è stato stimato che l’impresa richiedeva circa 2,8 gigawattora di elettricità.
Secondo TechExplore , i ricercatori dell’UCL hanno progettato un nuovo metodo per generare reti neurali artificiali . Il nuovo metodo utilizza memristor per generare la rete, che sono circa 1000 volte più efficienti dal punto di vista energetico rispetto alle reti create con approcci tradizionali. I memristori sono dispositivi in grado di richiamare la quantità di carica elettrica che è passata attraverso di essi, preservando quello stato di memoria dopo che sono stati spenti. Ciò significa che possono ricordare il loro stato anche se un dispositivo dovesse perdere l’alimentazione. Sebbene i memristor siano stati teorizzati per la prima volta circa 50 anni fa, è stato solo nel 2008 che è stato creato un vero memristor.
I memristor sono occasionalmente indicati come dispositivi informatici “neuromorfici” o dispositivi “ispirati al cervello”. I memristor sono simili ai mattoni che il cervello utilizza per elaborare le informazioni e creare ricordi. Sono altamente efficienti rispetto alla maggior parte dei sistemi informatici moderni. Questi dispositivi a memristor possiedono aspetti di condensatori e resistori e negli ultimi dieci anni circa sono stati prodotti e utilizzati in una varietà di dispositivi di memoria. I team di ricerca dell’UCL sperano che la loro ricerca aiuterà questi dispositivi a essere utilizzati per creare sistemi di intelligenza artificiale entro pochi anni.
Nonostante la loro maggiore efficienza energetica, i memristor sono tradizionalmente molto meno efficienti delle normali reti neurali, ma i ricercatori dell’UCL hanno trovato un modo per aumentare la precisione dei memristor. I ricercatori hanno scoperto che quando si usano molti memristor, questi potrebbero essere suddivisi in più sottogruppi e quindi i loro calcoli mediati insieme. La media dei calcoli aiuta i difetti nei sottogruppi a cancellarsi a vicenda e trovare i modelli più rilevanti.
Adnan Mehonic e Ph.D. lo studente Dovydas Joksas (sia UCL Electronic and Electrical Engineering) ei loro coautori hanno testato questo approccio di media su vari tipi di memristor e hanno scoperto che la tecnica sembrava migliorare la precisione in tutti i diversi memristor testati, non solo uno o due di essi. I miglioramenti dell’accuratezza sono stati applicati a tutti i gruppi testati, indipendentemente dal tipo di materiale di cui è stato fatto il memristor.
Secondo il dottor Mehonic, come citato da TechExplore :
“Speravamo che potessero esistere approcci più generici che migliorassero non il comportamento a livello di dispositivo, ma a livello di sistema, e crediamo di averne trovato uno. Il nostro approccio mostra che, quando si tratta di memristor, più teste sono meglio di una. La disposizione della rete neurale in diverse reti più piccole piuttosto che in una grande rete ha portato a una maggiore precisione in generale.
Il team di ricerca era entusiasta di aver adottato una tecnica informatica e applicata ai memristor, utilizzando anche una tecnica comune di evitamento degli errori (calcoli della media) per aumentare la precisione delle reti neurali memristive. Il coautore dello studio, il professor Tony Kenyon dell’UCL Electronic & Electrical Engineering, ritiene che i memristor potrebbero “assumere un ruolo di primo piano” nella creazione di dispositivi di edge computing e dispositivi IoT più sostenibili dal punto di vista energetico.
I memristor non solo sono più efficienti dal punto di vista energetico rispetto ai tradizionali modelli di rete neurale, ma possono essere facilmente inclusi in un dispositivo mobile portatile. Si prevede che ciò assumerà un’importanza crescente nel prossimo futuro poiché vengono creati e trasmessi sempre più dati, anche se è difficile aumentare la capacità di trasmissione oltre un certo punto. I memristor potrebbero consentire il trasferimento di grandi volumi di dati a una frazione del costo energetico.
