انقلابی در صرفه‌جویی انرژی هوش مصنوعی با الهام از اتصالات عصبی مغز
انقلابی در صرفه‌جویی انرژی هوش مصنوعی با الهام از اتصالات عصبی مغز
پژوهشگران دانشگاه Surrey با الهام از شیوه ارتباطی نورون‌های مغز، مکانیسمی نوین برای اتصال مدل‌های هوش مصنوعی و مراکز داده ابداع کرده‌اند که می‌تواند مصرف انرژی در فرآیند آموزش این مدل‌ها را به‌طور چشمگیری کاهش دهد.
به گزارش نیوزلن، بر اساس گزارش منتشرشده توسط «بی‌بی‌سی»، تیم تحقیقاتی «دپارتمان محاسبات و مهندسی الهام‌گرفته از طبیعت» این دانشگاه، این معماری ارتباطی جدید را «اتصال توپوگرافی پراکنده» نام نهاده‌اند. این طراحی، الگوی به‌ظاهر پراکنده اما درعین‌حال بسیار سازمان‌یافته اتصالات عصبی در مغز را تقلید می‌کند.
در معماری مرسوم مراکز هوش مصنوعی، هر واحد پردازش عصبی در یک لایه، به تمامی واحدهای موجود در لایه بعدی متصل می‌شود. این اتصال کامل، مصرف انرژی و منابع محاسباتی بسیار بالایی را به همراه دارد.
اما در مکانیسم پیشنهادی جدید، هر واحد پردازش عصبی تنها به واحدهای نزدیک به خود یا واحدهایی که عملکرد مشترکی با آن‌ها دارد، متصل می‌شود. این معماری مشابه نحوه ارتباط کارآمد نورون‌ها در مغز است.
این تغییر به دو دلیل اصلی موجب صرفه‌جویی عظیم در مصرف انرژی می‌شود:
۱. با دریافت هر دستورالعمل، نیازی به فعال‌سازی تمامی واحدهای عصبی نیست.
۲. بار محاسباتی سنگین و غیرضروری برای برقراری اتصالات کامل بین واحدها حذف می‌شود.
علاوه بر این، تیم پژوهشی دریافت که الگوبرداری از مکانیسم «هرس سیناپسی» در مغز (که در طی فرآیند یادگیری و بلوغ عصبی رخ می‌دهد) می‌تواند منجر به دستیابی به دقتی برابر یا حتی بالاتر در مدل‌های هوش مصنوعی شود، درحالی‌که تنها از کسری از اطلاعات و انرژی معمول استفاده می‌کند.
دکتر رومن باوئر، استاد ارشد دانشگاه و از اعضای این تیم، کار انجام‌شده را گامی مهم در جهت اثبات امکان‌پذیری ساخت «سامانه‌های هوشمند بسیار کارآمد با مصرف انرژی ناچیز» توصیف کرد.
در همین رابطه، محسن کاملیان، دانشجوی دکتری و سرپرست این مطالعه، اظهار داشت: «آنچه ما ارائه می‌دهیم، یک پارادایم کاملاً جدید برای اندیشیدن به شبکه‌های عصبی است؛ پارادایمی که بر پایه همان اصول بیولوژیکی شکل گرفته که هوش طبیعی را تا این حد کارآمد و بهینه ساخته است.»
گفته می‌شود این تیم تحقیقاتی در حال بررسی راه‌های بکارگیری یافته‌های این مطالعه و تعمیم آن برای توسعه معماری‌هایی فراتر از شبکه‌های عصبی متعارف در مدل‌های هوش مصنوعی است.
