Le cerveau humain traite des tonnes d’informations. Lorsque les amateurs de vin dégustent un nouveau vin, les réseaux de neurones de leur cerveau traitent un éventail de données à chaque gorgée. Les synapses de leurs neurones s’activent, pesant l’importance de chaque donnée – acidité, fruité, amertume – avant de la transmettre à la couche suivante de neurones du réseau. Au fur et à mesure que l’information circule, le cerveau analyse le type de vin.
Les scientifiques veulent que les systèmes d’intelligence artificielle (IA) soient également des connaisseurs sophistiqués des données, et ils conçoivent donc des versions informatiques des réseaux de neurones pour traiter et analyser les informations. L’IA rattrape le cerveau humain dans de nombreuses tâches, mais consomme généralement beaucoup plus d’énergie pour faire les mêmes choses. Notre cerveau effectue ces calculs en consommant en moyenne environ 20 watts de puissance. Un système d’IA peut utiliser des milliers de fois cela. Ce matériel peut également être à la traîne, ce qui rend l’IA plus lente, moins efficace et moins efficace que notre cerveau. Un vaste domaine de la recherche sur l’IA recherche des alternatives moins énergivores.
Maintenant, dans une étude publiée dans la revue Examen physique appliquédes scientifiques du National Institute of Standards and Technology (NIST) et leurs collaborateurs ont développé un nouveau type de matériel pour l’IA qui pourrait consommer moins d’énergie et fonctionner plus rapidement. Il a déjà passé avec succès un test de dégustation de vin virtuel.
Comme pour les systèmes informatiques traditionnels, l’IA comprend à la fois des circuits matériels physiques et des logiciels. Le matériel du système d’IA contient souvent un grand nombre de puces de silicium conventionnelles énergivores en tant que groupe : la formation d’un processeur de langage naturel commercial de pointe, par exemple, consomme environ 190 mégawattheures (MWh) d’énergie électrique, à peu près la quantité que 16 personnes aux États-Unis utilisent en une année entière. Et c’est avant que l’IA ne fasse une journée de travail sur le travail pour lequel elle a été formée.
Une approche moins gourmande en énergie consisterait à utiliser d’autres types de matériel pour créer les réseaux de neurones de l’IA, et les équipes de recherche recherchent des alternatives. Un dispositif prometteur est une jonction tunnel magnétique (MTJ), qui est bonne pour les types de mathématiques qu’un réseau de neurones utilise et qui n’a besoin que de quelques gorgées d’énergie. Il a été démontré que d’autres nouveaux appareils basés sur les MTJ utilisent plusieurs fois moins d’énergie que leurs homologues matériels traditionnels. Les MTJ peuvent également fonctionner plus rapidement car ils stockent les données au même endroit où ils effectuent leurs calculs, contrairement aux puces conventionnelles qui stockent les données ailleurs. Mieux encore, les MTJ sont déjà importants sur le plan commercial. Ils ont servi de têtes de lecture-écriture des disques durs pendant des années et sont aujourd’hui utilisés comme nouvelles mémoires informatiques.
Bien que les chercheurs aient confiance dans l’efficacité énergétique des MTJ sur la base de leurs performances passées dans les disques durs et autres appareils, la consommation d’énergie n’était pas au centre de la présente étude. Ils avaient besoin de savoir en premier lieu si un tableau de MTJ pouvait même fonctionner comme un réseau de neurones. Pour le savoir, ils l’ont pris pour une dégustation de vin virtuelle.
Les scientifiques du programme Hardware for AI du NIST et leurs collègues de l’Université du Maryland ont fabriqué et programmé un réseau de neurones très simple à partir de MTJ fournis par leurs collaborateurs du centre de recherche de Western Digital à San Jose, en Californie.
Comme tout connaisseur de vin, le système d’IA avait besoin de former son palais virtuel. L’équipe a formé le réseau en utilisant 148 des vins d’un ensemble de données de 178 fabriqués à partir de trois types de raisins. Chaque vin virtuel avait 13 caractéristiques à prendre en compte, telles que le degré d’alcool, la couleur, les flavonoïdes, les cendres, l’alcalinité et le magnésium. Chaque caractéristique s’est vu attribuer une valeur comprise entre 0 et 1 que le réseau doit prendre en compte pour distinguer un vin des autres.
“C’est une dégustation de vin virtuelle, mais la dégustation est effectuée par un équipement analytique qui est plus efficace mais moins amusant que de le déguster soi-même”, a déclaré le physicien du NIST Brian Hoskins.
Ensuite, il a été soumis à un test de dégustation de vin virtuel sur l’ensemble de données complet, qui comprenait 30 vins qu’il n’avait jamais vus auparavant. Le système a réussi avec un taux de réussite de 95,3 %. Sur les 30 vins sur lesquels il ne s’était pas entraîné, il n’a commis que deux erreurs. Les chercheurs ont considéré cela comme un bon signe.
“Obtenir 95,3 % nous indique que cela fonctionne”, a déclaré le physicien du NIST, Jabez McClelland.
Le but n’est pas de construire un sommelier IA. Au contraire, ce succès précoce montre qu’une gamme d’appareils MTJ pourrait potentiellement être mise à l’échelle et utilisée pour construire de nouveaux systèmes d’IA. Alors que la quantité d’énergie utilisée par un système d’IA dépend de ses composants, l’utilisation de MTJ comme synapses pourrait réduire considérablement sa consommation d’énergie de moitié, voire plus, ce qui pourrait permettre une consommation d’énergie inférieure dans des applications telles que les vêtements “intelligents”, les drones miniatures ou les capteurs. qui traitent les données à la source.
“Il est probable que des économies d’énergie significatives par rapport aux approches logicielles conventionnelles seront réalisées en mettant en œuvre de grands réseaux de neurones utilisant ce type de réseau”, a déclaré McClelland.
Technologie matérielle d’intelligence artificielle économe en énergie via un système de stockage inspiré du cerveau
Jonathan M. Goodwill et al, Mise en œuvre d’un réseau neuronal binaire sur un réseau passif de jonctions tunnel magnétiques, Examen physique appliqué (2022). DOI : 10.1103/PhysRevApplied.18.014039
Fourni par l’Institut national des normes et de la technologie
Citation: Les nanoaimants peuvent discerner le vin et pourraient étancher la soif d’énergie de l’IA (18 juillet 2022) récupéré le 18 juillet 2022 sur https://techxplore.com/news/2022-07-nanomagnets-discern-wine-slake-ai.html
Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.