Analizuodama įvairias vynų savybes, tokias kaip rūgštingumas, vaisiškumas ir kartumas (kairėje pavaizduotos spalvotomis kolbomis), nauja dirbtinio intelekto sistema (centre) sėkmingai nustatė, kokios rūšies vynas tai buvo (dešinėje). Ši dirbtinio intelekto sistema pagrįsta magnetiniais įtaisais, vadinamais „magnetinėmis tunelinėmis jungtimis”; ją suprojektavo ir sukūrė NIST, Merilendo universiteto ir „Western Digital” mokslininkai. Kreditas: J. McClelland/NIST Žmogaus smegenys apdoroja daugybę informacijos. Kai vyno mėgėjai ragauja naują vyną, jų smegenyse esantys neuroniniai tinklai apdoroja daugybę duomenų, gautų po kiekvieno gurkšnio. Neuronų sinapsės suaktyvėja, įvertindamos kiekvienos informacijos – rūgštingumo, vaisiškumo, kartumo – svarbą, prieš perduodamos ją kitam tinklo neuronų sluoksniui. Sraunant informaciją, smegenys nustato vyno rūšį.
Mokslininkai nori, kad dirbtinio intelekto (DI) sistemos taip pat būtų sudėtingos duomenų žinovės, todėl jie kuria kompiuterines neuroninių tinklų versijas informacijai apdoroti ir analizuoti. Daugelyje užduočių dirbtinis intelektas vejasi žmogaus smegenis, tačiau paprastai tiems patiems veiksmams atlikti sunaudoja daug daugiau energijos. Mūsų smegenys šiuos skaičiavimus atlieka sunaudodamos maždaug vidutiniškai 20 vatų energijos. Dirbtinio intelekto sistema gali sunaudoti tūkstančius kartų daugiau. Ši aparatinė įranga taip pat gali atsilikti, todėl dirbtinis intelektas gali būti lėtesnis, mažiau efektyvus ir mažiau veiksmingas nei mūsų smegenys. Didelėje dirbtinio intelekto tyrimų srityje ieškoma mažiau energijos naudojančių alternatyvų.
Dabar žurnale Physical Review Applied paskelbtame tyrime Nacionalinio standartų ir technologijų instituto (NIST) mokslininkai ir jų bendradarbiai sukūrė naujo tipo dirbtinio intelekto aparatinę įrangą, kuri galėtų naudoti mažiau energijos ir veikti greičiau – ir ji jau išlaikė virtualų vyno degustacijos testą.
Kaip ir tradicines kompiuterių sistemas, dirbtinį intelektą sudaro fizinės aparatinės grandinės ir programinė įranga. Dažnai dirbtinio intelekto sistemų techninę įrangą sudaro daugybė įprastinių silicio lustų, kurie kaip grupė reikalauja daug energijos: Pavyzdžiui, vieno modernaus komercinio natūralios kalbos procesoriaus apmokymui sunaudojama maždaug 190 megavatvalandžių (MWh) elektros energijos, t. y. maždaug tiek, kiek 16 JAV gyventojai sunaudoja per visus metus. Ir tai prieš dirbtiniam intelektui atliekant darbą, kuriam jis buvo apmokytas, vieną dieną.
Mažiau energijos reikalaujantis būdas būtų naudoti kitokią aparatinę įrangą dirbtinio intelekto neuroniniams tinklams kurti, todėl mokslininkų grupės ieško alternatyvų. Vienas perspektyvus įrenginys yra magnetinė tunelinė sandūra (MTJ), kuri gerai atlieka tokius matematinius veiksmus, kokius naudoja neuroninis tinklas, ir kuriai reikia tik kelių palyginamųjų energijos gurkšnių. Įrodyta, kad kiti nauji MTJ pagrįsti įrenginiai naudoja kelis kartus mažiau energijos nei jų tradiciniai aparatūros analogai. MTJ taip pat gali veikti greičiau, nes jie saugo duomenis toje pačioje vietoje, kurioje atlieka skaičiavimus, skirtingai nuo įprastinių lustų, kurie duomenis saugo kitur. Galbūt geriausia tai, kad MTJ jau dabar yra svarbūs komerciniu požiūriu. Jau daugelį metų jie naudojami kaip kietųjų diskų skaitymo ir rašymo galvutės, o šiandien jie naudojami kaip naujos kompiuterių atmintinės.
Nors mokslininkai, remdamiesi ankstesniais MTJ pasiekimais kietuosiuose diskuose ir kituose įrenginiuose, yra įsitikinę MTJ energijos vartojimo efektyvumu, energijos suvartojimas nebuvo šio tyrimo dėmesio centre. Jiems pirmiausia reikėjo sužinoti, ar MTJ masyvas apskritai gali veikti kaip neuroninis tinklas. Norėdami tai išsiaiškinti, jie surengė virtualią vyno degustaciją.
NIST programos „Hardware for AI” mokslininkai ir jų kolegos iš Merilendo universiteto pagamino ir suprogramavo labai paprastą neuroninį tinklą iš MTJ, kuriuos pateikė jų bendradarbiai iš „Western Digital” tyrimų centro San Chosė, Kalifornijoje.
Kaip ir kiekvienam vyno žinovui, dirbtinio intelekto sistemai reikėjo treniruoti savo virtualų gomurį. Komanda apmokė tinklą naudodama 148 vynus iš 178 duomenų rinkinio, pagamintus iš trijų rūšių vynuogių. Kiekvienas virtualus vynas turėjo 13 savybių, į kurias reikėjo atsižvelgti, pavyzdžiui, alkoholio kiekį, spalvą, flavonoidus, pelenus, šarmingumą ir magnį. Kiekvienai savybei buvo priskirta reikšmė nuo 0 iki 1, į kurią tinklas turėjo atsižvelgti atskirdamas vieną vyną nuo kitų.
„Tai virtuali vyno degustacija, tačiau degustaciją atlieka analitinė įranga, kuri yra efektyvesnė, bet ne tokia smagi, kaip degustuoti pačiam, – sakė NIST fizikas Brianas Hoskinsas (Brian Hoskins).”
Tada tinklui buvo pateiktas virtualios vyno degustacijos testas su visu duomenų rinkiniu, kuriame buvo 30 vynų, kurių jis anksčiau nebuvo matęs. Sistema išlaikė 95,3 proc. sėkmės rodiklį. Iš 30 vynų, kurių nebuvo mokoma, ji padarė tik dvi klaidas. Tyrėjai tai laiko geru ženklu.
„Gauti 95,3 % rezultatai rodo, kad tai veikia, – sakė NIST fizikas Jabezas McClellandas.
Esmė – ne sukurti dirbtinio intelekto someljė. Veikiau ši ankstyva sėkmė rodo, kad MTJ prietaisų masyvą potencialiai galima padidinti ir naudoti naujoms dirbtinio intelekto sistemoms kurti. Nors dirbtinio intelekto sistemos sunaudojamos energijos kiekis priklauso nuo jos sudedamųjų dalių, MTJ panaudojimas kaip sinapsių gali drastiškai sumažinti energijos sąnaudas perpus, jei ne daugiau, o tai leistų naudoti mažiau energijos tokiose srityse kaip „protingi” drabužiai, miniatiūriniai dronai ar jutikliai, kurie apdoroja duomenis pačiame šaltinyje.
„Tikėtina, kad įgyvendinant didelius neuroninius tinklus naudojant tokio tipo matricas bus galima sutaupyti daug energijos, palyginti su įprastiniais programine įranga pagrįstais metodais”, – sakė McClellandas.
Daugiau informacijos: Jonathan M. Goodwill et al, Implementation of a Binary Neural Network on a Passive Array of Magnetic Tunnel Junctions, Physical Review Applied (2022). DOI: 10.1103/PhysRevApplied.18.014039
Citation: Nanomagnetai gali atpažinti vyną ir numalšinti dirbtinio intelekto energijos troškulį (2022, liepa 18), žiūrėta rugpjūčio 1 d. 2022 iš https://techxplore.com/news/2022-07-nanomagnets-discern-wine-slake-ai.html
Šis dokumentas saugomas autorių teisių. Be raštiško leidimo negalima atgaminti jokios jo dalies, išskyrus sąžiningą naudojimą asmeninių studijų ar mokslinių tyrimų tikslais. Turinys pateikiamas tik informaciniais tikslais.