Исследователи в Великобритании создали новый компьютерный чип, который может значительно повысить энергоэффективность некоторых систем искусственного интеллекта (ИИ).
Разработанное физиками Университета Лафборо, устройство позволяет обрабатывать изменяющиеся со временем данные непосредственно на аппаратном уровне, а не полагаться на программное обеспечение, работающее на обычных компьютерах.
Исследователи заявляют, что такой подход может быть до 2000 раз энергоэффективнее традиционных программных методов для некоторых задач, хотя точные преимущества зависят от конкретного применения.
Энергоэффективная нейроморфная электроника
«Это увлекательно, потому что демонстрирует, что мы можем переосмыслить, как строятся системы ИИ», – объяснил старший преподаватель физики доктор Павел Борисов, руководитель группы, финансируемой Советом по исследованиям инженерных и физических наук (EPS).
«Используя физические процессы вместо полного возложения на программное обеспечение, мы можем значительно снизить энергопотребление для таких задач».
В статье, опубликованной в журнале Advanced Intelligent Systems, описан тонкопленочный мемристор на основе оксида ниобия с внутренней структурной неоднородностью в виде случайных нанопор. Устройство выполняет вычислительные задачи, включая операции XOR, распознавание изображений, прогнозирование и реконструкцию временных рядов.
Для тестирования исследователи использовали сложный трехмерный хаотический временной ряд Лоренца-63, применяя три формы волн временного напряжения к устройству и обучая слой считывания сигналам электрического тока. Результаты показали удовлетворительную точность прогнозирования и реконструкции данных. Команда показала, что их решение подчеркивает потенциал масштабируемых устройств на кристалле с использованием полностью оксидных резервуарных систем, открывая путь к энергоэффективной нейроморфной электронике, способной обрабатывать временные сигналы.
Устройство может обрабатывать данные, зависящие от времени, и, подавая их в линейную компьютерную модель, позволяет выявлять закономерности и делать краткосрочные прогнозы. Тесты включали использование модели Lorenz-63, распознавание пикселизированных чисел и выполнение базовых логических операций. Устройство успешно справилось со всеми задачами, демонстрируя универсальность.
Уменьшенное энергопотребление
«Вдохновленные тем, как мозг формирует многочисленные и, казалось бы, случайные нейронные связи, мы создали сложные физические связи в искусственной нейронной сети», — добавил доктор Борисов.
Он отметил, что устройство позволяет предусматривать эволюцию сложных временных рядов при потреблении энергии в 2000 раз меньше, чем стандартные программные методы.