Analog Derin Öğrenme ile Daha Az Enerjiyle Hızlı Hesaplama

Yapay zekânın yeni bir alanı olan analog derin öğrenme, enerji kullanımının bir kısmı ile daha hızlı hesaplama vaat ediyor. Buradan hareketle analog derin öğrenme üzerinde çalışan Massachusetts Teknoloji Enstitüsü (Massachusetts Institute of Technology /MIT) mühendisleri, protonları katı maddelerden benzeri görülmemiş hızlarda ilerletmenin bir yolunu buldu.

Günümüzde bilim insanları makine öğreniminin  (Machine learning /ML) sınırlarını zorlarken; giderek karmaşıklaşan sinir ağı modellerini eğitmek için gereken zaman, enerji ve para miktarı da hızla artıyor. Analog derin öğrenme adı verilen yeni bir yapay zekâ alanı ise enerji kullanımının bir kısmı ile daha hızlı hesaplama vaat ediyor.

Daha önce geliştirdikleri bir tür insan yapımı analog sinapsın hız sınırlarını zorlamak için yola çıkan MIT araştırmacıları, üretim sürecinde cihazlarının önceki versiyonlardan 1 milyon kat daha hızlı çalışmasını sağlayan ve insan beynindeki sinapslardan yaklaşık 1 milyon kat daha hızlı çalışmasını sağlayan pratik bir inorganik malzeme kullandılar. Direnci son derece enerji verimli hale getiren bu inorganik malzeme, cihazlarının önceki versiyonunda kullanılan malzemelerin aksine silikon üretim teknikleriyle de uyumlu. Araştırmacılara göre cihazların nanometre ölçeğinde üretilmesini mümkün kılan bu değişiklik, derin öğrenme uygulamaları için ticari bilgi işlem donanımına entegrasyonun yolunu açabilir.

Analog Derin Öğrenme için Programlanabilir Dirençler

Science Dergisi’nde yayımlanan makalenin yazarlarından Jesús A. del Alamo çalışma ile ilgili şu bilgileri aktardı: “Cihazın çalışma mekanizması, elektronik iletkenliğini modüle etmek için en küçük iyon olan protonun yalıtkan bir okside elektrokimyasal olarak eklenmesidir. Çok ince cihazlarla çalıştığımız için güçlü bir elektrik alanı kullanarak bu iyonun hareketini hızlandırabilir ve bu iyonik cihazları nanosaniye çalışma rejimine itebiliriz.”

Çalışmaya göre analog derin öğrenme için bu programlanabilir dirençler, bir sinir ağının eğitilme hızını önemli ölçüde artırırken, onu eğitmek için gereken maliyet ve enerjiyi önemli ölçüde azaltır. Bu, bilim insanlarının çok daha hızlı derin öğrenme modelleri geliştirmelerine yardımcı olabilir. Ayrıca bu modeller daha sonra sürücüsüz arabalar, dolandırıcılık tespiti veya tıbbi görüntü analizi gibi kullanımlarda uygulanabilir. Buradan hareketle makalenin yazarlarından Murat Önen şu bilgileri ekledi: “Bir analog işlemciye sahip olduğunuzda, artık herkesin üzerinde çalıştığı ağları eğitmiş olmayacaksınız. Başka hiç kimsenin karşılayamayacağı, benzeri görülmemiş karmaşıklıklara sahip ağları eğiteceksiniz. Bu nedenle hepsinden çok daha iyi performans göstereceksiniz. Başka bir deyişle, bu daha hızlı bir araba değil, bu bir uzay aracı.”