Edge of Chaos otwiera drogę do odkryć AI AI

„W tym badaniu przeszkoliliśmy sieć, aby przekształcić prosty przebieg w bardziej złożone typy przebiegów” – powiedział Hochstetter.

W symulacji dostosowali amplitudę i częstotliwość sygnału elektrycznego, aby dowiedzieć się, gdzie wystąpiłaby najlepsza wydajność.

„Odkryliśmy, że jeśli naciskasz sygnał zbyt wolno, sieć robi to samo w kółko bez uczenia się i rozwoju. Jeśli naciskamy zbyt mocno i zbyt szybko, sieć staje się nieobliczalna i nieprzewidywalna”.

Naukowcy z University of Sydney ściśle współpracują ze współpracownikami z Międzynarodowe Centrum Nanomateriałów Tektonicznych W NIMS w Japonii i Uniwersytet Kalifornijski Profesor Konsik jest stypendystą Fulbrighta. Systemy nanoprzewodowe zostały opracowane w NIMS i UCLA, a pan Hochstetter opracował analizę, współpracując ze współautorami i innymi doktorantami, Romaine Chu A Alon Loeffler.

Zmniejsz zużycie energii

Profesor Koncic powiedział, że konsolidacja pamięci i procesów ma ogromne praktyczne zalety dla przyszłego rozwoju sztucznej inteligencji.

„Algorytmy muszą szkolić sieć, aby wiedziała, któremu skrzyżowaniu należy nadać odpowiednie „obciążenie” lub wagę informacji, które pochłaniają najwięcej mocy” – powiedziała.

„Opracowywane przez nas systemy eliminują potrzebę stosowania takich algorytmów. Po prostu pozwalamy sieci na opracowanie własnego ważenia, co oznacza, że ​​musimy martwić się tylko o sygnał przychodzący i wychodzący, czyli strukturę znaną jako „przetwarzanie zbiornikowe”. Wagi sieci są samodzielne. -adaptacyjna, potencjalnie wyzwalająca dużo energii.”

Oznacza to, że wszelkie przyszłe systemy sztucznej inteligencji, które wykorzystują takie sieci, będą miały znacznie mniejszy ślad energetyczny – powiedziała.

Reklama

Autorzy potwierdzają korzystanie z zasobu HPC Artemis w Centrum Informatyczne Sydney SydneyOśrodek Badań Podstawowych Uniwersytetu Sydney.