Kunstig intelligens er ved at blive bæredygtig

En forskergruppe fra Politecnico di Milano har udviklet et nyt computerkredsløb, der kan udføre avancerede operationer, typisk for neurale netværk til kunstig intelligens, i en enkelt operation.

Kredsløbets ydeevne med hensyn til hastighed og energiforbrug baner vejen for en ny generation af kunstig intelligens -computere, der er mere energieffektive og mere bæredygtige på global skala. Undersøgelsen er for nylig blevet offentliggjort i den prestigefyldte Videnskab fremskridt .

At genkende et ansigt eller en genstand, eller korrekt fortolkning af et ord eller en musikalsk melodi er operationer, der i dag er mulige på de mest almindelige elektroniske gadgets, såsom smartphones og tablets, takket være kunstig intelligens. For at dette kan ske, komplicerede neurale netværk skal trænes passende, som er så energisk krævende, at ifølge nogle undersøgelser, CO2-fodaftrykket, der stammer fra træningen af ​​et komplekst neuralt netværk, kan svare til emissionen af ​​5 biler gennem hele deres livscyklus.

For at reducere træningens tid og energiforbrug, man bør udvikle kredsløb, der er radikalt forskellige fra den konventionelle tilgang, og som er i stand til mere præcist at efterligne strukturen af ​​de neurale netværk og de biologiske synapsers karakteristika. Et typisk eksempel er konceptet med in-memory computing, hvor data behandles direkte i hukommelsen, præcis som i den menneskelige hjerne.

Baseret på denne analogi, forskergruppen ved Politecnico di Milano har udviklet et nyt kredsløb, der kan udføre en matematisk funktion kendt som regression i bare en operation. Til dette formål bruger de en resistiv hukommelse, også kendt som memristor, en enhed, der kan huske ethvert datum (f.eks. værdien af ​​en aktie på et bestemt tidspunkt) i værdien af ​​dens modstand. Ved at arrangere disse hukommelseselementer i et array med størrelsen på nogle få mikrometer (et par milliontedele af en meter), gruppen på Politecnico di Milano har været i stand til at udføre en lineær regression på en gruppe data.

Denne operation er i stand til at bestemme den rette linje, der bedst beskriver en sekvens af data, tillade, for eksempel, at forudsige trenden på aktiemarkedet ud fra en simpel lineær model. Logistisk regression, som tillader klassificering af data i en database, er også blevet påvist. Denne funktion er essentiel for de såkaldte anbefalingssystemer, som er et afgørende marketingværktøj til onlinekøb.