IA à efficacité énergétique un nouvel avenir avec les ordinateurs neuromorphiques

L'IA à efficacité énergétique Un nouvel avenir avec les ordinateurs neuromorphiques

Le domaine en pleine expansion de l’intelligence artificielle (IA) est réputé pour ses performances, mais il a un coût énergétique considérable. Une approche novatrice, proposée par deux scientifiques de premier plan de l’Institut Max Planck pour la science de la lumière à Erlangen, en Allemagne, vise à entraîner l’IA de manière plus efficace, potentiellement révolutionnant la manière dont l’IA traite les données.

Les modèles d’IA actuels consomment d’énormes quantités d’énergie pendant l’entraînement. Bien que les chiffres précis soient difficiles à obtenir, les estimations de Statista suggèrent que l’entraînement de GPT-3 nécessite environ 1000 mégawattheures, ce qui équivaut à la consommation annuelle de 200 ménages allemands de taille respectable. Bien que cet entraînement intensif en énergie ait permis d’affiner GPT-3 pour prédire les séquences de mots, il est largement admis qu’il n’a pas saisi les significations intrinsèques de ces phrases.

Informatique neuromorphique : fusion du cerveau et de la machine

Alors que les systèmes d’IA classiques reposent sur des réseaux neuronaux artificiels numériques, l’avenir pourrait résider dans l’informatique neuromorphique. Florian Marquardt, directeur de l’Institut Max Planck et professeur à l’Université d’Erlangen, a évoqué les inconvénients des configurations d’IA traditionnelles.

“Le transfert de données entre le processeur et la mémoire consomme à lui seul une quantité significative d’énergie”, a souligné Marquardt, notant les inefficacités lors de l’entraînement de vastes réseaux neuronaux.

• Anthony Goonetilleke, Président du groupe, Technologie et Responsable de la stratégie chez Amdocs – Série d’interviews
• Biais de l’IA et stéréotypes culturels Effets, limitations et atténuation
• Arc Browser dévoile le futur de la navigation alimentée par l’IA avec Arc Max

L’informatique neuromorphique s’inspire du cerveau humain, traitant les données de manière parallèle plutôt que séquentielle. Essentiellement, les synapses dans le cerveau agissent à la fois comme des processeurs et de la mémoire. Les systèmes imitant ces caractéristiques, tels que les circuits photoniques utilisant la lumière pour les calculs, font actuellement l’objet de recherches.

Entraîner l’IA avec des machines physiques d’auto-apprentissage

En collaboration avec l’étudiant en doctorat Víctor López-Pastor, Marquardt a introduit une méthode d’entraînement innovante pour les ordinateurs neuromorphiques. Leur “machine physique d’auto-apprentissage” optimise fondamentalement ses paramètres via un processus physique inhérent, rendant les commentaires externes superflus. “Le fait de ne pas nécessiter ces commentaires rend l’entraînement beaucoup plus efficace”, a souligné Marquardt, suggérant que cette méthode permettrait d’économiser à la fois de l’énergie et du temps de calcul.

Cependant, cette technique révolutionnaire a des exigences spécifiques. Le processus doit être réversible, garantissant une perte d’énergie minimale, et suffisamment complexe ou non linéaire. “Seuls les processus non linéaires peuvent effectuer les transformations complexes entre les données d’entrée et les résultats”, a déclaré Marquardt, établissant une distinction entre les actions linéaires et non linéaires.

Vers une mise en œuvre pratique

Les fondements théoriques du duo s’alignent sur des applications pratiques. En collaborant avec une équipe expérimentale, ils font progresser un ordinateur neuromorphique optique qui traite l’information à l’aide de vagues lumineuses superposées. Leur objectif est clair : concrétiser le concept de machine physique d’auto-apprentissage.

“Nous espérons présenter la première machine physique d’auto-apprentissage d’ici trois ans”, a projeté Marquardt, indiquant que ces futurs réseaux traiteraient plus de données et seraient entraînés avec des ensembles de données plus volumineux que les systèmes contemporains. Étant donné les demandes croissantes en matière d’IA et les inefficacités inhérentes des configurations actuelles, le passage à des ordinateurs neuromorphiques efficacement entraînés semble à la fois inévitable et prometteur.

Dans les mots de Marquardt, “Nous sommes convaincus que les machines physiques d’auto-apprentissage ont de solides chances dans l’évolution continue de l’intelligence artificielle.” La communauté scientifique et les passionnés d’IA attendent avec impatience de voir ce que l’avenir nous réserve.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!