Placas de metal pensantes: pesquisadores demonstram redes neurais físicas

Uma membrana de microfone como uma unidade de computação? Na busca por hardware de IA eficiente, os pesquisadores estão se voltando para redes neurais físicas integradas a objetos reais.

o sucesso de inteligência artificial na última década foi impulsionado pela adoção generalizada de redes neurais artificiais. Isso foi possível pela constatação de que o algoritmo de retropropagação pode ser usado com eficiência em placas de vídeo para treinar redes neurais para análise de imagens, por exemplo. Desde o momento ImageNet em 2012, redes cada vez maiores foram treinadas em hardware cada vez mais poderoso.

A fome de energia dessas redes massivas durante o treinamento e o uso levou ao desenvolvimento de aceleradores de IA especializados, como o TPUv3 do Google ou o WSE2 do Cerebra. A maioria dessas alternativas de chip visa principalmente um uso mais eficiente, pois isso representa até 90% do custo de energia de uma rede de IA em aplicações comerciais. A maioria desses processadores AI dedicados ainda são baseados em chips de silício, embora em alguns casos também sejam usados ​​chips ópticos.

Olá, Echo: Canyons são processadores passivos

Na busca por alternativas ainda mais eficientes, os pesquisadores liderados pelo físico Logan Wright estão se voltando para as chamadas redes neurais físicas (PNNs). “Tudo pode ser um computador”, diz Wright, que foi pesquisador de longa data na Cornell University e agora está na NTT Research. “Estamos apenas encontrando uma maneira de fazer com que a física do hardware faça o que queremos.”

Com isso, surge uma nova ideia do que significa algo “computar”. Objetos físicos podem computar passivamente, dizem Wright e sua equipe. Os Canyons, por exemplo, adicionam eco às vozes sem a necessidade de uma mesa de som.

Esse processamento de um sinal por um objeto físico estático que não requer nenhuma energia fornecida externamente para fazê-lo, nem precisa executar um algoritmo no sentido clássico, é um modelo para a equipe de Wright.

O objetivo são redes neurais integradas a um objeto em forma física, em vez de rodar em chips de silício, como é tradicionalmente o caso.

“Treinamento baseado em física” para redes neurais físicas

Em seu novo trabalho, os pesquisadores realizaram redes neurais em três sistemas físicos diferentes: um mecânico, um óptico e um analógico-eletrônico. O sistema mecânico consiste em uma placa de metal que é vibrada por um alto-falante. O sinal de saída é gravado por um microfone.

O sistema óptico passa a luz do laser por vários cristais e, no sistema analógico-eletrônico, a corrente flui por pequenos circuitos.

Os pesquisadores codificaram os dados de entrada para cada rede em som, luz ou voltagem. Cada sistema recebe parâmetros codificados adicionais para ajudar a rede física a processar os dados de entrada corretamente.

Esses parâmetros são ajustados durante o treinamento por meio do algoritmo de retropropagação até que o algoritmo encontre a combinação correta de parâmetros e sinal de entrada. Essa abordagem é chamada de treinamento orientado para a física (PAT).

Redes neurais físicas alcançam alta precisão com PAT

Em testes, as redes físicas tiveram então que reconhecer números manuscritos ou um dos sete tons, por exemplo. As redes alcançaram uma precisão média entre 87 e 97 por cento.