Bilim insanları, verideki rastgele dalgalanmalardan, yani "gürültüden" yola çıkarak görüntüler üretebilen bir "termodinamik bilgisayar" geliştirdi. Bu sayede, beyin modellediği makine öğrenmesi algoritmaları topluluğu olan yapay zeka sinir ağlarının üretken yetenekleri taklit ediliyor.
Mutlak sıfırın üzerindeki sıcaklıklarda, dünya, atom ve moleküllerin titremesi, manyetizma özelliği kazandıran kuantum özelliğinde atom ölçekli yön değişiklikleri gibi "termal gürültü" olarak adlandırılan enerji dalgalanmalarıyla doludur.
Günümüzdeki yapay zeka sistemleri, çoğu mevcut bilgisayar sistemi gibi, bilgisayar çiplerini kullanarak görüntüler üretiyor. Bu sistemlerde, bilgi bitlerini değiştirmek için gereken enerji, termal gürültünün rastgele dalgalanmalarındaki enerji miktarından çok daha fazladır, bu da gürültüyü ihmal edilebilir hale getirir.
Ancak yeni geliştirilen "üretken termodinamik bilgisayar", gürültüye rağmen değil, gürültüden faydalanarak çalışıyor. Bu da, tipik yapay zeka sistemlerinin gerektirdiği enerjinin çok daha azıyla hesaplama görevlerini tamamlayabileceği anlamına geliyor. Bilim insanları bulgularını 20 Ocak'ta Physical Review Letters dergisinde yayımlanan yeni bir çalışmada detaylandırdı.
Çalışmanın yazarı ve Lawrence Berkeley Ulusal Laboratuvarı Moleküler Foundry'de görevli bilim insanı, konuyu okyanustaki teknelerle analoji yaparak açıkladı. Burada dalgalar termal gürültü rolünü üstlenirken, geleneksel hesaplama, "sanki umursamadan yoluna devam eden, çok etkili ama çok maliyetli bir okyanus gemisine" benzetiliyor.
Geleneksel hesaplamanın enerji tüketimini termal gürültüyle karşılaştırılabilecek seviyelere indirirseniz, bu, okyanusun ortasında küçük bir lastik botu dıştan takma motorla yönlendirmeye çalışmak gibi olur. "Çok daha zor," diye ekliyor ve termodinamik hesaplamada gürültüyü kullanmanın, "bir sörfçünün dalga gücünü kullanması" gibi yardımcı olabileceğini belirtiyor.
Geleneksel hesaplama, kesin ikili bit değerleriyle – 1 ve 0 – çalışır. Ancak son on yılda yapılan araştırmalar, bir hesaplamayı tamamlarken tüketilen elektrik gibi kaynaklar açısından, değerlerin olasılıklarıyla çalışıldığında daha fazla verim elde edilebileceğini gösteriyor.
Verimlilik artışları, özellikle "optimizasyon" problemleri olarak bilinen belirli problem türleri için belirgindir. Bu problemler, en azını harcayarak en fazlasını elde etmeyi hedefler; örneğin, posta dağıtırken en az mil yürüyerek en çok sokağı ziyaret etmek gibi. Termodinamik hesaplama, hesaplamayı güçlendirmek için termal gürültüden kaynaklanan rastgele dalgalanmaları kullanan bir olasılıksal hesaplama türü olarak kabul edilebilir.
Termodinamik Hesaplama ile Görüntü Üretimi
Bu görüntü üretim çalışmasına doğrudan dahil olmayan New York'taki Normal Computing Corporation'dan araştırmacılar, termal gürültüyle karşılaştırılabilir düşük enerjilerde çalışan, birbirine bağlı devrelere sahip bir tür termodinamik bilgisayar inşa ettiler. Bağlantıları oluşturan devreler, bağladıkları "düğüm" devreler arasındaki bağlantıları güçlendirmek veya zayıflatmak için programlanabilir.
Sisteme herhangi bir voltaj uygulandığında, çeşitli düğümlerde voltaj serileri oluşur ve bu düğümlere değerler atanır. Uygulanan voltaj kaldırılıp devreler dengeye döndüğünde bu değerler zamanla ortadan kalkar.
Ancak, denge durumunda bile devredeki gürültü, düğüm değerlerinin, bağlantıların "kuplaj güçleri" olarak adlandırılan programlanmış gücüyle belirlenen çok özel bir şekilde dalgalanmasına neden olur. Dolayısıyla, kuplaj güçleri, ortaya çıkan denge dalgalanmalarının cevapladığı bir soru oluşturacak şekilde programlanabilir. Normal Computing'deki araştırmacılar, kuplaj güçlerini programlayarak sonuçta oluşan denge düğüm dalgalanmalarının lineer cebir problemlerini çözebileceğini gösterdiler.
Bu bağlantıların yönetimi, denge dalgalanmalarının hangi soruyu yanıtladığına dair bir miktar kontrol sağlasa da, sorunun türünü değiştirmenin bir yolunu sunmuyor. Araştırmacılar, denge durumundan uzaklaşmanın, araştırmacıların temel olarak farklı türde soruları yanıtlayabilecek bir bilgisayar tasarlamalarına yardımcı olup olmayacağını ve dengeye ulaşmanın zaman alabildiği göz önüne alındığında daha uygun olup olmayacağını merak ettiler.
Dengeden uzaklaşmanın hangi tür hesaplamaları mümkün kılabileceğini düşünürken, araştırmacılar 2010'ların ortalarındaki bazı araştırmaları incelediler. Bu araştırmalar, bir görüntüye orijinal görüntünün hiçbir izi kalmayana kadar gürültü eklenirse, bir sinir ağının bu süreci tersine çevirerek görüntüyü geri getirmek üzere eğitilebileceğini gösteriyordu. Bu tür kaybolan görüntülerden oluşan bir kütüphane üzerinde eğitilen sinir ağı, rastgele bir gürültü başlangıç noktasından, eğitildiği veri kümesinin dışındaki bazı görüntüler de dahil olmak üzere bir dizi görüntü üretebilirdi. Bu "difüzyon modelleri", araştırmacılara termodinamik bir bilgisayar için "doğal bir başlangıç noktası" gibi geldi, zira difüzyonun kendisi termodinamiğe dayanan istatistiksel bir süreçtir.
Geleneksel hesaplama gürültüyü ihmal edilebilir seviyelere indirirken, sinir ağlarını eğitmek için kullanılan birçok algoritmanın gürültüyü tekrar ekleyerek çalıştığını belirtiyor. "Termodinamik bir ortamda gürültüyü ücretsiz elde ettiğinizde bu çok daha doğal olmaz mıydı?" diye soruyorlar.
Kadim İlkelerden Yararlanma
Önemli bir gürültünün etkisi altında şeylerin nasıl geliştiği, 1908 yılına dayanan Langevin denklemiyle hesaplanabilir. Bu denklemi manipüle etmek, bir görüntünün gürültüyle kaplanma sürecindeki her adım için olasılıkları verebilir. Bir anlamda, termal gürültüye maruz kalan bir görüntüdeki her pikselin yanlış renge dönme olasılığını sağlar.
Oradan, süreci tersine çevirmek, yani gürültüyü adım adım kaldırmak için gereken kuplaj güçlerini (örneğin devre bağlantı güçleri) hesaplamak mümkündür. Bu, bir görüntü üretir. Araştırmacılar bunu, "0", "1" ve "2" rakamlarını içeren bir görüntü kütüphanesinden sayısal bir simülasyonla gösterdiler. Üretilen görüntü, orijinal eğitim veri kümesinden bir görüntü veya bir tür varsayım olabilir. Eğitimdeki kusurların getirdiği ek avantaj, orijinal veri kümesinde olmayan yeni görüntülerle karşılaşma potansiyelini taşır.
Çalışmaya dahil olmayan ve kuantum rastgele sayı üreteçleri üreten bir şirketin CEO'su, bulguları "önemli" olarak nitelendirdi. Geleneksel yöntemlerin, giderek artan daha güçlü model taleplerini karşılamakta zorlandığı belirli alanlara değindi. Bu tür olasılıksal hesaplama donanımları üreten bir şirket olarak, "olasılıksal hesaplama ve ona yakından bağlı çeşitli hesaplama paradigmalarına olan ilginin sürekli artışını görmek cesaret verici" olduğunu belirtti.
Ayrıca enerji tasarrufu dışındaki potansiyel bir faydayı da vurguladı: "Bu makale aynı zamanda, 'kara kutu' modellerin hakim olduğu bir alana fizik tabanlı yaklaşımların nasıl net temel bir yorum sağlayabileceğini ve öğrenme sürecine ilişkin temel bilgiler sunduğunu gösteriyor."
Üretken yapay zeka söz konusu olduğunda, üç öğrenilmiş rakamın gürültüden geri kazanılması nispeten ilkel görünebilir. Ancak, termodinamik hesaplama kavramının henüz birkaç yıllık bir kavram olduğunu belirtiyorlar.
Makine öğrenmesinin tarihine ve sonunda daha büyük, daha etkileyici görevlere nasıl ölçeklendiğine bakarak, "termodinamik donanımın, hatta kavramsal bir anlamda bile, aynı şekilde ölçeklenip ölçeklenemeyeceğini merak ediyorum," diyor.
