Исследователи из Федеральной политехнической школы Лозанны (EPFL) разработали новаторскую структуру для оптических вычислений, благодаря которой можно значительно снизить энергопотребление систем искусственного интеллекта. Данное открытие имеет потенциал изменить отрасль и сделать ИИ более энергоэффективным.
На сегодняшний день современные системы искусственного интеллекта, такие как глубокие нейронные сети, требуют огромных энергетических ресурсов для обучения и внедрения. По данным некоторых исследований, если текущий рост потребления энергии продолжится, то к 2027 году энергетическое потребление серверов для ИИ может превысить потребление энергии небольшой страны.
Команда EPFL предложила новый метод оптических вычислений, который использует фотоны для обработки данных. Это позволяет выполнять вычисления значительно быстрее и эффективнее по сравнению с традиционными электронными системами. Тем не менее, до сих пор оптические системы не могли справляться с нелинейными преобразованиями, необходимыми для классификации данных в нейронных сетях.
Исследователи из EPFL разработали простое решение, которое позволяет выполнять нелинейные преобразования с помощью оптики. Они кодируют пиксели изображения пространственно на поверхности маломощного лазерного луча, что позволяет осуществлять нелинейное умножение пикселей. Это решение требует на восемь порядков меньше энергии, чем традиционные электронные системы.
«Наш метод масштабируем и в 1000 раз более энергоэффективен, чем современные глубокие цифровые сети», — утверждает Деметри Псалтис, руководитель лаборатории оптики EPFL.
Исследование, поддержанное грантом Sinergia Швейцарского национального научного фонда, было опубликовано в журнале Nature Photonics. Уже ведутся работы по разработке компилятора для преобразования цифровых данных в код, пригодный для использования оптическими системами.
Этот прорыв имеет потенциал изменить отрасль и сделать искусственный интеллект более энергоэффективным. Однако для полного масштабирования потребуется дальнейшее инженерное исследование.
Источник: iXBT
