Naukowcy uczą AI oszczędzania prądu. Stanie się jak... człowiek

AI robi się coraz większa, szybsza i… droższa w utrzymaniu. Ogromna część problemu nie leży jednak wyłącznie w samych modelach, ale przede wszystkim w sprzęcie, który musi przerzucać dane między czujnikami, pamięcią i procesorami. Każde takie przesunięcie kosztuje energię, czas i miejsce na chipie. Naukowcy z Oregon State University pokazali więc urządzenie, które próbuje zrobić coś bardziej mózgowego: zobaczyć sygnał, zapamiętać go i częściowo przetworzyć w jednym miejscu.

Najciekawsze jest jednak to, że ta pamięć nie ma przechowywać informacji za wszelką cenę. Jej ślad można wzmacniać albo stopniowo wygaszać. Dzięki temu układ może pamiętać coś dłużej, jeśli sygnał jest istotny, albo szybciej o tym zapomnieć, gdy informacja przestaje być potrzebna. I właśnie to może okazać się bardzo przydatne w przyszłych systemach AI.

W klasycznym komputerze różne zadania są rozdzielone. Czujnik rejestruje sygnał, pamięć go przechowuje, a procesor analizuje. W przypadku sztucznej inteligencji oznacza to ogromny ruch danych. Kamera coś widzi, dane trafiają do pamięci, potem do układu obliczeniowego, później znowu gdzieś wracają. Przy małych zadaniach to nie problem. Przy milionach czujników, robotach, samochodach autonomicznych i urządzeniach internetu rzeczy robi się z tego energetyczny koszmar.

Nasz mózg działa zgoła inaczej. Nie oddziela tak sztywno rejestrowania bodźców, pamięci i przetwarzania. Neurony i synapsy nie tylko przekazują sygnały, ale też zmieniają swoją reakcję w zależności od wcześniejszej aktywności. Część śladów się wzmacnia, część słabnie. Zapominanie nie jest awarią, tylko po prostu sprytnym mechanizmem porządkowania informacji.

Właśnie tym tropem idą badacze z Oregon State University. Nie próbują zamknąć mózgu w chipie ani odtworzyć jego działania jeden do jednego. Zamiast tego stworzyli element, który w jednym urządzeniu łączy wykrywanie światła, zapamiętywanie sygnału i możliwość kontrolowania, jak szybko ten ślad zanika.

Nowe urządzenie jest fototranzystorem, czyli tranzystorem reagującym na światło. Składa się z dwóch warstw pełniących różne funkcje. Jedna to półprzewodnik tlenkowy, przez który płynie prąd. Druga to organiczny materiał światłoczuły, który pochłania światło i generuje ładunki elektryczne.

Część tych ładunków zostaje uwięziona w warstwie światłoczułej. Dzięki temu układ zachowuje ślad wcześniejszego oświetlenia nawet po zniknięciu sygnału. To właśnie ten ślad działa jak pamięć. Nie jest to jednak pamięć w stylu dysku, który ma przechowywać plik przez lata. To raczej krótko- lub średnioterminowy ślad bodźca, podobny do tego, jak układ nerwowy może chwilowo wzmacniać albo osłabiać reakcję na powtarzające się sygnały.

Największa sztuczka naukowców polega na tym, że położenie uwięzionych ładunków można kontrolować napięciem bramki. Jeśli ładunki przesuną się bliżej kanału przewodzącego, ich wpływ na przepływ prądu rośnie i pamięć utrzymuje się dłużej. Jeśli znajdą się dalej, efekt słabnie i ślad szybciej zanika.

W elektronice pamięć zwykle kojarzy się z trwałością. Dane mają po prostu nie znikać. W AI działającej na żywych, zmiennych sygnałach to nie zawsze jest najlepsze podejście. Kamera w robocie, czujnik w samochodzie albo system monitorujący otoczenie nie musi pamiętać wszystkiego z taką samą intensywnością. Często potrzebuje krótkiego okna czasu: co działo się przed chwilą, czy ruch się powtarza, czy sygnał narasta, czy znika.

Programowalny czas zanikania pamięci może więc działać jak swego rodzaju filtr. Układ może dłużej trzymać ważne sygnały, a szybciej pozbywać się tych, które są tylko szumem albo chwilową zmianą. To pozwala przetwarzać informacje bez wysyłania każdego surowego impulsu do osobnego procesora.

Dla AI to może mieć duże znaczenie. System wizyjny nie musi traktować każdego obrazu jak czegoś całkowicie nowego. Już na poziomie czujnika może zachować ślad tego, co widział chwilę wcześniej, i dzięki temu łatwiej wychwytywać zmiany, ruch czy powtarzające się wzorce.

Takie rozwiązania należą do nurtu tzw. obliczeń neuromorficznych. Chodzi o tworzenie układów, które czerpią inspirację z tego, jak działa układ nerwowy. Nie próbują wiernie odtworzyć mózgu, ale wykorzystują niektóre jego cechy, takie jak równoległe przetwarzanie informacji, zdolność do adaptacji czy wykonywanie części obliczeń jak najbliżej miejsca, w którym pojawia się sygnał.

Nowy fototranzystor może być szczególnie przydatny w tzw. in-sensor computing. W takim podejściu czujnik nie służy już tylko do zbierania danych i przekazywania ich dalej. Potrafi też sam wykonać część pracy – odfiltrować nieistotne informacje, zachować ślad sygnału albo zmienić jego znaczenie. Dzięki temu do kolejnych elementów systemu trafia mniej danych, co przekłada się na niższe zużycie energii.

Przeczytaj także:

Może to znaleźć zastosowanie wszędzie tam, gdzie urządzenie musi szybko reagować na otoczenie, a jednocześnie działać oszczędnie. Mowa o kamerach w robotach i dronach, sprzęcie medycznym, czujnikach przemysłowych, systemach inteligentnych miast czy elektronice noszonej na co dzień. W takich zastosowaniach sama moc obliczeniowa nie wystarczy – równie ważne są czas reakcji, zużycie energii i to, ile ciepła generuje cały układ.

*Źródło grafiki wprowadzającej: Kittipong Jirasukhanont, PhonlamaiPhoto's Images, Canva Pro / Axel Makhalov, Canva Pro