هوش مصنوعی و یادگیری ماشینی در حال حاضر زندگی ما را به روشهای کوچک اما تاثیرگذار زیادی تحت تاثیر قرار میدهند.
به عنوان مثال، برنامههای کاربردی هوش مصنوعی و یادگیری ماشین، سرگرمیهایی را توصیه میکنند که ممکن است از طریق سرویسهای استریم مانند Netflix و Spotify لذت بخش باشد.
در آینده نزدیک، پیشبینی میشود که این فناوریها از طریق فعالیتهایی مانند رانندگی با وسایل نقلیه کاملاً خودمختار، امکان تحقیقات علمی پیچیده و تسهیل اکتشافات پزشکی، تأثیر بیشتری بر جامعه خواهند گذاشت.
اما رایانههایی که برای هوش مصنوعی و یادگیری ماشینی استفاده میشوند، انرژی زیادی میخواهند. در حال حاضر، نیاز به توان محاسباتی مربوط به این فناوریها تقریباً هر سه تا چهار ماه دو برابر میشود. و مراکز داده رایانش ابری که توسط هوش مصنوعی و برنامههای کاربردی یادگیری ماشین در سراسر جهان استفاده میشوند، در حال حاضر انرژی الکتریکی بیشتری را نسبت به برخی از کشورهای کوچک در سال مصرف میکنن، طبق آمار به راحتی می توان فهمید که این میزان مصرف انرژی ناپایدار است.
یک تیم تحقیقاتی به رهبری دانشگاه واشنگتن، سختافزار محاسباتی نوری جدیدی را برای هوش مصنوعی و یادگیری ماشینی توسعه دادهاند که سریعتر و بسیار کارآمدتر از وسایل الکترونیکی معمولی است. این تحقیق همچنین به چالش دیگری نیز میپردازد،و آن «نویز» ذاتی محاسبات نوری که میتواند با دقت محاسبات تداخل داشته باشد.
تیم یک سیستم محاسباتی نوری برای هوش مصنوعی و یادگیری ماشینی را نشان میدهد که نه تنها این نویز را کاهش میدهد، بلکه در واقع از بخشی از آن به عنوان ورودی برای کمک به افزایش خروجی خلاقانه شبکه عصبی مصنوعی در داخل سیستم استفاده میکند.
Changming Wu، نویسنده اصلی این مقاله، دانشجوی دکترای UW در مهندسی برق و کامپیوتر، گفت: «ما یک کامپیوتر نوری ساختهایم که سریعتر از یک رایانه دیجیتال معمولی است. و همچنین، این کامپیوتر نوری میتواند چیزهای جدیدی را بر اساس ورودیهای تصادفی تولید شده از نویز نوری ایجاد کند که اکثر محققان سعی در اجتناب از آن داشتند.
نویز محاسبات نوری اساساً از ذرات نور سرگردان یا فوتونها ناشی میشود که از عملکرد لیزرهای درون دستگاه و تشعشعات حرارتی پسزمینه بوجود می آیند. برای هدف قرار دادن نویز، محققان هسته محاسباتی نوری خود را به نوع خاصی از شبکه یادگیری ماشین، به نام شبکه متخاصم تولیدی، متصل کردند.
این تیم چندین تکنیک کاهش نویز را آزمایش کردند که شامل استفاده از مقداری از نویز تولید شده توسط هسته محاسباتی نوری به عنوان ورودی تصادفی برای GAN بود.
به عنوان مثال، تیم وظیفه GAN را برای یادگیری نحوه دست نویسی عدد "7" مانند یک شخص به GAN محول کرد. کامپیوتر نوری نمی توانست به سادگی شماره را مطابق با یک فونت تجویز شده چاپ کند. باید با دیدن نمونه های تصویری دستخط و تمرین تا زمانی که بتواند عدد را به درستی بنویسد، این کار را مانند یک کودک یاد می گرفت. البته کامپیوتر نوری دست انسان برای نوشتن نداشت، بنابراین شکل «دستنویس» آن، تولید تصاویر دیجیتالی بود که سبکی مشابه نمونههایی داشت که مطالعه کرده بود، اما مشابه آنها نبود.
مولی، نویسنده ارشد، استاد مهندسی برق و کامپیوتر UW، گفت: «به جای آموزش شبکه برای خواندن اعداد دستنویس، ما شبکه را آموزش دادیم تا نوشتن اعداد را با تقلید از نمونههای بصری دستنویسی که روی آن آموزش داده شده است، یاد بگیرد. "ما با کمک همکاران علوم کامپیوتر خود در دانشگاه دوک، همچنین نشان دادیم که GAN می تواند تاثیر منفی نویزهای سخت افزاری محاسبات نوری را با استفاده از یک الگوریتم آموزشی که در برابر خطاها و نویزها مقاوم است، کاهش دهد. بیش از آن، شبکه در واقع از نویزها به عنوان ورودی تصادفی استفاده می کند که برای تولید نمونه های خروجی مورد نیاز است."
GAN پس از یادگیری از نمونههای دستنویس عدد هفت، که از یک مجموعه تصویری استاندارد آموزش هوش مصنوعی بود، نوشتن «7» را تا زمانی که بتواند با موفقیت انجام دهد، تمرین کرد. در طول مسیر، سبک نوشتاری متمایز خود را توسعه داد و میتوانست اعداد یک تا ۱۰ را در شبیهسازیهای رایانهای بنویسد.
مراحل بعدی شامل ساخت این دستگاه در مقیاس بزرگتر با استفاده از فناوری ساخت نیمه هادی های فعلی می باشد. بنابراین، به جای ساخت نسخه بعدی دستگاه در آزمایشگاه، این تیم قصد دارد از یک ریخته گری نیمه هادی صنعتی برای دستیابی به فناوری ویفر{ یک برش نازک از یک نیمرسانا مانند سیلیکون بلورین است که در ساخت تراشههای الکترونیکی و در فتوولتائیک برای ساخت سلولهای خورشیدی کاربرد دارد} در مقیاس استفاده کند. یک دستگاه در مقیاس بزرگتر عملکرد را بیشتر بهبود می بخشد و به تیم تحقیقاتی اجازه می دهد تا کارهای پیچیده تری را فراتر از تولید دست خط مانند ایجاد آثار هنری و حتی ویدیو انجام دهند.
این سیستم نوری یک معماری سختافزاری کامپیوتری را نشان میدهد که میتواند خلاقیت شبکههای عصبی مصنوعی مورد استفاده در هوش مصنوعی و یادگیری ماشینی را افزایش دهد، اما مهمتر از آن، قابلیت زنده بودن این سیستم را در مقیاس بزرگ نشان میدهد که در آن نویز و خطاها را میتوان کاهش داد و حتی آنها را مهار کرد.
برنامه های هوش مصنوعی به قدری سریع در حال رشد هستند که در آینده مصرف انرژی آنها ناپایدار خواهد بود. این فناوری این پتانسیل را دارد که به کاهش مصرف انرژی کمک کند، هوش مصنوعی و یادگیری ماشینی ا از نظر زیست محیطی پایدار می تواند بسیار سریع باشد و در مجموع به عملکرد بالاتر دست یابد.
های فن تک از شما دعوت می کند نظرات خود را در مورد این مقاله به اشتراک بگذارید