I computer che si basano sull’intelligenza artificiale (AI) richiedono molta energia e questa richiesta di potenza di calcolo raddoppia all’incirca ogni tre o quattro mesi. Quando si tratta di data center di cloud computing, utilizzati da applicazioni di intelligenza artificiale e machine learning , utilizzano più energia elettrica all’anno rispetto ad alcuni piccoli paesi. Molti ricercatori avvertono che questo sistema è insostenibile.
Un team di questi ricercatori guidato dall’Università di Washington ha escogitato una soluzione per aiutare a risolvere questo problema: un nuovo hardware di calcolo ottico per l’intelligenza artificiale e l’apprendimento automatico. Questo hardware è più veloce e molto più efficiente dal punto di vista energetico rispetto all’elettronica convenzionale. Aiuta anche a risolvere il “rumore” causato dal calcolo ottico, che può interferire con la precisione del calcolo.
La ricerca è stata pubblicata il 21 gennaio su Science Advances .
Utilizzo del rumore come input
Nel documento di ricerca, il team ha dimostrato come un sistema di calcolo ottico per l’intelligenza artificiale e l’apprendimento automatico potrebbe utilizzare parte del rumore come input per migliorare l’output creativo della rete neurale artificiale (ANN) all’interno del sistema.
Changming Wu è uno studente di dottorato della UW in ingegneria elettrica e informatica e autore principale dell’articolo.
“Abbiamo costruito un computer ottico che è più veloce di un computer digitale convenzionale”, ha affermato Wu. “Inoltre, questo computer ottico può creare nuove cose basate su input casuali generati dal rumore ottico che la maggior parte dei ricercatori ha cercato di eludere”.
Il rumore del calcolo ottico è causato da particelle di luce diffusa o fotoni. Questi sono prodotti dai laser all’interno del dispositivo e dalla radiazione termica di fondo. Per prendere di mira il rumore, il team ha collegato il proprio core di elaborazione ottica a una rete generativa contraddittoria (GAN). Hanno quindi testato diverse tecniche di mitigazione del rumore, come l’utilizzo di parte del rumore generato come input casuali per il GAN.
Il team ha detto al GAN di imparare a scrivere a mano il numero “7” come un essere umano, il che significava che doveva imparare il compito osservando campioni visivi della scrittura a mano prima di esercitarsi più e più volte. A causa della sua forma, il computer ottico doveva generare immagini digitali che avevano uno stile simile ai campioni.
Mo Li è un professore dell’UW di ingegneria elettrica e informatica e autore senior dell’articolo.
“Invece di addestrare la rete a leggere i numeri scritti a mano, abbiamo addestrato la rete a imparare a scrivere numeri, imitando campioni visivi della scrittura a mano su cui era stata addestrata”, ha affermato Li. “Noi, con l’aiuto dei nostri collaboratori di informatica alla Duke University, abbiamo anche dimostrato che il GAN può mitigare l’impatto negativo dei rumori dell’hardware di elaborazione ottica utilizzando un algoritmo di addestramento resistente a errori e rumori. Inoltre, la rete utilizza effettivamente i rumori come input casuali necessari per generare istanze di output”.
Man mano che il GAN continuava a esercitarsi a scrivere il numero, sviluppò un proprio stile di scrittura distintivo. Alla fine è stato in grado di scrivere numeri da uno a 10 in simulazioni al computer.
Costruire un dispositivo su larga scala
Il team cercherà ora di costruire il dispositivo su scala più ampia attraverso l’uso dell’attuale tecnologia di produzione di semiconduttori, che migliorerà le prestazioni e consentirà al team di svolgere compiti più complessi.
“Questo sistema ottico rappresenta un’architettura hardware per computer in grado di migliorare la creatività delle reti neurali artificiali utilizzate nell’IA e nell’apprendimento automatico, ma soprattutto dimostra la fattibilità di questo sistema su larga scala in cui il rumore e gli errori possono essere mitigati e persino sfruttati ”, ha detto Li. “Le applicazioni di intelligenza artificiale stanno crescendo così velocemente che in futuro il loro consumo energetico sarà insostenibile. Questa tecnologia ha il potenziale per aiutare a ridurre il consumo di energia, rendendo l’IA e l’apprendimento automatico sostenibili dal punto di vista ambientale e molto veloce, ottenendo prestazioni complessive più elevate.
