Научници су изградили „термодинамички компјутер” који може да производи слике од насумичних поремећаја у подацима, односно буке. При томе су опонашали генератив вештачка интелигенција (АИ) могућности неуронских мрежа — колекције алгоритама машинског учења по узору на мозак.
Изнад апсолутне нулте температуре, свет бруји од флуктуација енергије званих термални шум који се манифестује у атомима и молекулима који се клате около, атомска скала се окреће у правцу за квантно својство које даје магнетизам, итд.
Данашњи системи вештачке интелигенције — као и већина других садашњих рачунарских система — генеришу слике користећи компјутерске чипове где енергија потребна за окретање битова премашује количину енергије у насумичним флуктуацијама топлотног шума, чинећи буку занемарљивом.
Али нови „генеративни термодинамички рачунар“ функционише тако што користи буку у систему, а не упркос томе, што значи да може да заврши рачунарске задатке са редовима величине мање енергије него што је потребна типичним системима вештачке интелигенције. Научници су изнели своје налазе у новој студији објављеној 20. јануара у часопису Пхисицал Ревиев Леттерс.
Степхен Вхителамнаучник особља у Молекуларној ливници у Националној лабораторији Лоренс Беркли и аутор нове студије, повукао је аналогију са чамцима у океану. Овде таласи играју улогу термичке буке, а конвенционално рачунарство се може упоредити са океанским бродом који „само пролази као да га није брига – веома ефикасан, али веома скуп“, рекао је он.
Међутим, ако бисте смањили потрошњу енергије конвенционалног рачунарства на ону која је упоредива са термалном буком, то би било као да покушавате да управљате гуменим чамцем са ванбродским мотором преко океана. „Много је теже“, рекао је он за Ливе Сциенце, а искориштавање буке у термодинамичком рачунарству може помоћи, попут „сурфера који користи снагу таласа“.
Конвенционално рачунарство ради са одређеним бинарним вредностима бита — 1с и 0с. Међутим, све већи број истраживања у протеклој деценији је истакао да можете добити више новца по долару у смислу ресурса као што је електрична енергија која се троши да бисте завршили прорачун када радите са вероватноћама вредности.
Повећање ефикасности је посебно изражено за одређене врсте проблема познатих као проблеми „оптимизације“, где желите да извучете највише, а да уложите најмање – посетите највише улица да бисте испоручили пошту док ходате најмање миља, на пример. Термодинамичко рачунање се може сматрати типом вероватносног рачунарства које користи насумичне флуктуације од термичког шума до прорачуна снаге.
Генерисање слике помоћу термодинамичког рачунарства
Истраживачи из Нормал Цомпутинг Цорпоратион у Њујорку, који нису били директно укључени у овај рад на генерисању слике, направили су нешто слично термодинамичком рачунару, користећи мрежу кола повезаних другим колима, а сви раде при ниским енергијама упоредивим са термичким шумом. Кола која врше повезивање могу се затим програмирати да ојачају или ослабе везу коју формирају између кола која повезују – кола „чвора“.
Примена било које врсте напона на систем би поставила низ напона на различитим чворовима, додељујући им вредности које би се на крају смањиле како се примењени напон уклони и кола се врате у равнотежу.
Међутим, чак и у равнотежи, шум у колима узрокује флуктуацију вредности чворова на врло специфичан начин одређен програмираном јачином веза, такозване снаге спрезања. Као такве, снаге спрезања могу се програмирати на такав начин да оне ефективно постављају питање на које резултирајуће равнотежне флуктуације одговарају. Тхе истраживачи на Нормал Цомпутинг-у су показали да могу да програмирају снаге спрезања тако да резултујуће флуктуације чвора равнотеже могу да реше линеарну алгебру.
Иако управљање овим везама нуди одређену контролу над тим на које питање одговарају равнотежне флуктуације у вредностима чвора, оно не пружа начин да се промени тип питања. Вајтлам се питао да ли би удаљавање од топлотне равнотеже могло помоћи истраживачима да дизајнирају рачунар који би могао да одговори на фундаментално различите врсте питања, као и да ли би то било згодније, јер може потрајати неко време да се постигне равнотежа.
Док је разматрао које врсте прорачуна би могле бити омогућене удаљавањем од равнотеже, Вајтлам је схватио да размишља нека истраживања средином 2010-ихкоји је показао да ако снимите слику и додате шум док се не види траг оригиналне слике, неуронска мрежа може бити обучена да преокрене тај процес и на тај начин преузме слику. Ако бисте је обучили на низу таквих слика које нестају, неуронска мрежа би била у стању да генерише низ слика од почетне тачке насумичне буке, укључујући неке слике изван библиотеке на којој је обучена. Ови модели дифузије су се Вајтламу чинили „природном почетном тачком“ за термодинамички рачунар, а сама дифузија је статистички процес укорењен у термодинамици.
Док конвенционално рачунарство функционише на начин који смањује буку на занемарљиве нивое, приметио је Вајтлам, многи алгоритми који се користе за обуку неуронских мрежа раде тако што поново додају буку. „Зар то не би било много природније у термодинамичком окружењу где буку добијате бесплатно?“ забележио је из а зборник радова.
Позајмљивање из вековних принципа
Начин на који се ствари развијају под утицајем значајног шума може се израчунати из Ланжевенове једначине, која датира из 1908. Манипулисање овом једначином може дати вероватноће за сваки корак у процесу да слика постане обавијена шумом. У извесном смислу, он пружа вероватноћу да сваки пиксел преокрене у погрешну боју пошто је слика изложена топлотном шуму.
Одатле је могуће израчунати неопходну снагу спајања — на пример јачину везе у кругу — да бисте преокренули процес, уклањајући шум корак по корак. Ово генерише слику — нешто што је Вајтлам демонстрирао у нумеричкој симулацији из библиотеке слика која садржи „0“, „1“ и „2“. Генерисана слика може бити из оригиналне базе података за обуку или неке врсте претпоставке, а бонус несавршености у обуци значи да постоји потенцијал да се смисле нове слике које нису део оригиналног скупа података.
Рами Схелбаиаизвршни директор компаније која производи квантне генераторе случајних бројева, Куантум Дице, који није био укључен у студију, описао је налазе као „важне“. Он је навео одређене области у којима традиционалне методе почињу да се боре да одрже корак са све већим захтевима за моћнијим моделима. Шелбајина компанија производи тип вероватног рачунарског хардвера користећи квантно генерисане случајне бројеве, и, као такав, сматрао је да је „охрабрујуће видети све веће интересовање за вероватносно рачунарство и различите рачунарске парадигме које су уско повезане са њим“.
Такође је означио потенцијалну корист осим уштеде енергије: „Овај чланак такође показује како приступи инспирисани физиком могу пружити јасну фундаменталну интерпретацију области у којој су доминирали модели „црне кутије“, пружајући суштински увид у процес учења“, рекао је он за Ливе Сциенце путем е-поште.
Као што је генеративна АИ, проналажење три научена броја из буке може изгледати релативно рудиментарно. Међутим, Вајтлам је истакао да је концепт термодинамичког рачунарства још увек стар само неколико година.
„Гледајући историју машинског учења и како се то на крају повећало на веће, импресивније задатке“, рекао је, „радознао сам да знам да ли термодинамички хардвер, чак и у концептуалном смислу, може да се скалира на исти начин.“
