과학자들은 미래에 기계 학습을 보다 지속 가능하게 만들 수 있는 광학 시스템으로 신경망을 구현하는 새로운 방법을 제안합니다. 막스 플랑크 빛 과학 연구소의 연구원들은 Nature Physics 저널에 새로운 방법을 발표했으며, 그곳에서 이전 방법보다 훨씬 간단한 방법을 시연했습니다.
ChatGPT가 입증한 것처럼 기계 학습과 인공 지능은 컴퓨터 비전에서 텍스트 생성에 이르는 다양한 응용 프로그램에서 점점 더 인기를 얻고 있습니다. 그러나 이러한 복잡한 작업에는 점점 더 복잡한 신경망이 필요합니다. 그 중 일부에는 수십억 개의 매개변수가 포함되어 있습니다. 신경망 크기의 급속한 성장으로 인해 이러한 기술은 전력 소비 및 훈련 시간 증가로 인해 지속 불가능한 경로에 놓이게 되었습니다. 예를 들어, GPT-3 훈련은 1,000MWh 이상의 에너지를 소비한 것으로 추산되는데, 이는 소도시의 일일 전력 소비량과 맞먹는다. 이러한 추세로 인해 더 빠르고 에너지 효율적이며 비용 효율적인 대안이 필요하게 되었고 신경 컴퓨팅 분야가 빠르게 발전하게 되었습니다. 이 분야의 목표는 디지털 컴퓨터의 신경망을 물리적 신경망으로 대체하는 것입니다. 이러한 네트워크는 실제로 필요한 수학적 연산을 더 빠르고 에너지 효율적인 방식으로 수행하도록 설계되었습니다.
광학 및 포토닉스는 전력 소비를 최소한으로 유지할 수 있는 뉴로모픽 컴퓨팅을 위한 특히 유망한 플랫폼입니다. 계산은 빛의 속도에 의해서만 제한되는 매우 빠른 속도로 병렬로 수행될 수 있습니다. 그러나 지금까지 두 가지 주요 과제가 있었습니다. 첫째, 필요한 복잡한 수학적 계산을 달성하려면 높은 레이저 출력이 필요합니다. 둘째, 이러한 물리적 신경망에는 효과적인 일반적인 훈련 방법이 없습니다.
막스 플랑크 빛 과학 연구소의 Clara Wangora와 Florian Marquardt가 Nature Physics 저널에 게재한 새 기사에서 제안한 새로운 방법으로 두 가지 문제를 모두 극복할 수 있습니다. “보통 입력 데이터는 빛 필드에 인쇄됩니다. 그러나 우리의 새로운 방법에서는 빛의 투과율을 변경하여 입력을 인쇄하는 것을 제안합니다”라고 연구소 소장인 Florian Marquardt는 설명합니다. 이러한 방식으로 입력 신호를 무작위로 처리할 수 있습니다. 이는 파동이 서로 영향을 주지 않고 간섭하기 때문에 라이트 필드 자체가 가능한 가장 간단한 방식으로 동작하더라도 마찬가지입니다. 따라서 그들의 접근 방식을 통해 복잡한 물리적 상호 작용을 피하여 고에너지 광 필드가 필요한 원하는 수학적 기능을 달성할 수 있습니다. 이 물리적 신경망을 평가하고 훈련하는 것은 매우 쉽습니다. “매우 간단합니다. 시스템을 통해 빛을 보내고 전송된 빛을 모니터링하면 동시에 네트워크의 출력을 평가할 수 있습니다. 훈련과 관련된 모든 정보를 측정하는 것입니다.”라고 연구의 첫 번째 저자인 Clara Wangora는 말합니다. 저자는 시뮬레이션을 통해 그들의 접근 방식을 사용하여 디지털 신경망과 동일한 정확도로 이미지 분류 작업을 수행할 수 있음을 보여주었습니다.
앞으로 저자는 실험 그룹과 협력하여 방법의 구현을 탐색할 계획입니다. 그들의 제안은 실험 요구 사항을 크게 완화하므로 물리적으로 다른 여러 시스템에 적용될 수 있습니다. 이는 다양한 플랫폼에서 신체 훈련을 가능하게 하는 뉴로모픽 장치의 새로운 가능성을 열어줍니다.
/일반 버전. 원래 조직/저자의 이 자료는 본질적으로 연대순일 수 있으며 명확성, 스타일 및 길이를 위해 편집되었습니다. Mirage.News는 기업의 입장이나 당사자를 받아들이지 않으며 여기에 표현된 모든 의견, 입장 및 결론은 전적으로 작성자의 것입니다. 여기에서 전체 보기를 할 수 있습니다.
“트위터를 통해 다양한 주제에 대한 생각을 나누는 아 동율은 정신적으로 깊이 있습니다. 그는 맥주를 사랑하지만, 때로는 그의 무관심함이 돋보입니다. 그러나 그의 음악에 대한 열정은 누구보다도 진실합니다.”