Новый путь оптимизации ИИ-оборудования: HGE

Команда исследователей из Центра нейроморфных вычислений Университета Твенте разработала новаторский метод, позволяющий электронным материалам адаптироваться подобно системам машинного обучения. Их открытие, опубликованное в журнале Nature Communications, представляет собой подход к физическому обучению, который обходится без программных алгоритмов, таких как обратное распространение ошибки. Этот метод, популяризированный в 1980-х годах, является краеугольным камнем современной революции в области искусственного интеллекта.

Современные системы ИИ работают на основе алгоритма обратного распространения ошибки, реализованного на мощных цифровых вычислительных системах. Несмотря на выдающиеся результаты, такой подход требует колоссального энергопотребления. Для сравнения, человеческий мозг выполняет аналогичные задачи, потребляя энергию, эквивалентную всего лишь одной лампочке. Нейроморфное оборудование открывает перспективы для значительного повышения энергоэффективности, однако его обучение с использованием обратного распространения ошибки сопряжено с трудностями.

Предложенный командой из Твенте метод, известный как гомодинное извлечение градиента (HGE), позволяет напрямую в аппаратном обеспечении находить оптимальную рабочую точку физических нейронных сетей, минуя этапы программной оптимизации. Хотя внешние воздействия по-прежнему используются, сам процесс оптимизации происходит внутри устройства, что исключает необходимость в цифровых компьютерах и алгоритмах обратного распространения ошибки.

«Это открывает возможности для автономной оптимизации физических нейронных сетей, предлагая путь к созданию энергоэффективного и адаптивного оборудования», — комментирует профессор Вилфред ван дер Вил, содиректор BRAINS. Среди потенциальных областей применения — интеллектуальные датчики с возможностью мгновенной адаптации и нейроморфные компьютеры, разработанные для устойчивой и малоэнергозатратной обработки информации.