شبکه‌های فوتونیک کارآمد برای محاسبات نسل آینده هوش مصنوعی

مدل‌های فعلی هوش مصنوعی (AI) مبتنی بر شبکه‌های عصبی با افزایش مقیاس خود، توانایی‌های شناختی و خلاقانه‌ای را کسب کرده‌اند که پیش‌تر غیرقابل دسترس بودند. مدل‌های پیشرفته اکنون تمایل دارند هر ساله اندازه خود را دو برابر کنند و به تریلیون‌ها پارامتر دست یابند. علاوه بر عملکرد بهتر در وظایف آموزشی، مشاهده شده است که با افزایش مقیاس مدل‌ها، آنها شروع به انجام وظایف جدیدی می‌کنند که برای آنها آموزش ندیده‌اند.

این توانایی‌های گسترش‌یافته، همراه با پذیرش گسترده‌تر در بخش‌های مختلف، موجب افزایش سریع تقاضا برای منابع محاسباتی و انرژی برای هوش مصنوعی شده است که در حال حاضر هر ۱۰۰ روز دو برابر می‌شود. این رشد چشمگیر، نیازمند توسعه مدل‌های هوش مصنوعی فشرده‌تر و سخت‌افزارهای کارآمدتر است تا در عین حفظ عملکرد بالا، اثرات زیست‌محیطی کاهش یابد.

روش‌های مختلف یادگیری ماشین برای رسیدن به دقت رقابتی با مدل‌های کوچکتر و سبک‌تر به کار گرفته می‌شوند. از جمله این تکنیک‌ها، هرس (pruning) است که اندازه شبکه‌های عصبی را با حذف اتصالات کم‌اهمیت پس از آموزش کاهش می‌دهد، یا تقطیر دانش (knowledge distillation) که یک مدل کوچکتر را با استفاده از فعالیت‌های میانه مدل بزرگتر آموزش می‌دهد.

در کنار پیشرفت‌های الگوریتم‌های هوش مصنوعی، استفاده از مدالیته‌های جایگزین برای سخت‌افزار می‌تواند تأثیر زیست‌محیطی این فناوری را کاهش دهد. فوتونیک یکی از گزینه‌های امیدوارکننده است زیرا می‌تواند پهنای باند بزرگتر و تلفات کمتری نسبت به الکترونیک دیجیتال پشتیبانی کند. فناوری‌های فوتونیک پیشرفته، مانند مدولاتورهای نوری یکپارچه، امکان پیاده‌سازی مدل‌های مختلف هوش مصنوعی را فراهم می‌آورد.

در مطالعه‌ای که توسط محققان موسسه فناوری کالیفرنیا انجام شد، سیستم فوتونیک توانسته است مدل اتوماتای سلولی عصبی (NCA) را پیاده‌سازی کند. این سیستم با استفاده از فوتونیک، عملکردهای مختلف محاسباتی مورد نیاز الگوریتم را از طریق اجزای نوری مختلف به انجام رساند.

این پیاده‌سازی فوتونیک اتوماتای سلولی عصبی نشان می‌دهد که چگونه فوتونیک می‌تواند انفجار اندازه مدل‌ها و تأثیرات زیست‌محیطی هوش مصنوعی را با استفاده از سخت‌افزارهای پرسرعت و تعاملات فیزیکی به عنوان واحدهای محاسباتی کاهش دهد. با توجه به توسعه الگوریتم‌های ویژه برای این پلتفرم‌ها، فوتونیک می‌تواند راه‌حل‌های جذابی برای مقیاس‌پذیری هوش مصنوعی به‌صورت پایدار ارائه دهد.

کد خبر ۲۱۲۰۳۱۰۱۵.۳۵۹

منبع خبر : nature.com