کاهش 95 درصدی مصرف انرژی در شبکه‌های عصبی

شاهکار دیگری از ام آی تی

سیستم‌های مربوط به شبکه‌های عصبی معمولا در طول چند سال اخیر با رشدی که انتظار می‌رفته روبرو نبوده‌اند. یکی از مشکلاتی که مانع از انجم این کار می‌شده است، مصرف انرژی بالای این شبکه‌ها بوده است که عامل اصلی عدم امکان پیاده‌سازی آن‌ها در محیط‌ها و پلتفرم‌های مختلف بوده است.

بااین‌وجود به نظر می‌رسد که این مشکل توسط مسئولان دانشگاه ام آی تی حل شده است. این مرکز به‌تازگی اعلام کرده است که توانسته است تا تراشه ویژه‌ای برای شبکه‌های عصبی ایجاد کند که می‌تواند برای آینده این فناوری بسیار مفید باشد زیرا انرژی مصرفی این شبکه‌ها را به میزان 95 درصد کاهش می‌دهد.

این دانشگاه در بیانیه خود اعلام کرده است: «بیشتر سیستم‌های هوش مصنوعی اخیر مانند سیستم‌های تشخیص گفتار یا چهره، بر روی شبکه‌های عصبی تکیه کرده بودند و در بیشتر موارد از یک پردازشگر ساده اطلاعات استفاده می‌کردند تا بتوانند وظیفه تحلیل حجم عظیمی از داده را انجام بدهند.»

در ادامه این بیانیه شرایط فعلی شرح داده‌شده و این‌چنین آمده است: «بااین‌وجود شبکه‌های عصبی، بزرگ هستند و محاسبات آن‌ها به‌شدت به انرژی نیاز دارد. به همین دلیل هم شبکه‌های عصبی چندان برای دستگاه‌های همراه، کاربردی نیستند. بیشتر نرم‌افزاری همراه‌های هوشمند از شبکه‌های عصبی تنها برای آپلود کردن داده در اینترنت و سرورها استفاده می‌کنند تا پس از پردازش در این مراکز، دوباره به تلفن‌های همراه ارسال شود.»

دانشگاه ام آی تی در ادامه بیانیه خود به وضعیت اختراع خود اشاره‌کرده و گفته است: «مدل اصلی پردازنده‌های موجود در بازار امروز دارای یک حافظه است در بخشی از تراشه است. یک پردازشگر نیز در بخش دیگری از تراشه قرار دارد و شما داده‌ها بین این دو بخش جابجا می‌کنید. این جابجای مداوم اطلاعات، مصرف انرژی بسیار بالایی به همراه دارد. بااین‌وجود رویکرد ما برای پیاده‌سازی این شبکه‌ها این است که بتوانیم تمامی فرایند را در داخل حافظه اعمال کنیم. این کار را به نحوی انجام می‌دهیم که دیگر نیازی به جابجایی داده‌ها نباشد.»

به این ترتیب می‌توان با شبیه‌سازی مغز انسان، مصرف انرژی را به میزان 95 درصد کاهش داد و این امر می‌تواند موجب شود تا بتوان از شبکه‌های عصبی بر روی دستگاه‌های همراه مختلف استفاده کرده و زیاد نیازمند به سامانه‌های اینترنتی و ساختارهای ابری نبود.

این سیستم می‌تواند برای اینترنت اشیاء و سایر فناوری‌های آینده محور بسیار مفید باشد و به همین دلیل هم این دستاورد، بسیار عظیم به‌حساب می‌آید. بااین‌وجود هنوز زمان قطعی دسترسی به این سیستم مشخص نشده است و نمی‌توان انتظار داشت که این تراشه‌ها در سال جاری به بازار مصرف راه پیدا کنند.

منبع: theinquirer

ترجمه: آناهیتا عیوض خانی