Giovanni Volpes forskargrupp tilldelas 25 miljoner från KAW
Genom att använda ljus för att träna och konfigurera AI-system kan energiförbrukningen sänkas drastiskt. Giovanni Volpes forskargrupp har tilldelats 25 miljoner kronor av Knut och Alice Wallenbergs stiftelse för att förverkliga den idén.
Ny AI ska härma hjärnans effektivitet med hjälp av ljus
AI-systemen utvecklas just nu oerhört fort, men dessvärre kräver de också alltmer energi. Om utvecklingen fortsätter att bygga på principen ”större modeller + mer data + mer beräkningskraft” riskerar AI att bli allt dyrare, mer miljöbelastande och koncentreras till ett fåtal aktörer.
– Vi tror att det finns ett annat sätt. Den mänskliga hjärnan lär sig kontinuerligt av vardagliga erfarenheter, anpassar sig snabbt och hanterar komplex perception och beslutsfattande – allt med en energiförbrukning på cirka 20 watt, ungefär som en glödlampa. Detta vill vi försöka efterlikna i vårt projekt, säger Giovanni Volpe, huvudsökande i projektet ”AI goes efficient”.
Nanomaterial omformar ljus
I projektet ska forskarna utveckla små optiska komponenter baserade på så kallade metaytor, vilket är strukturerade tvådimensionella nanomaterial som kan omforma ljus med extrem precision. När ljus passerar genom en serie sådana strukturer kan information bearbetas parallellt i mycket hög hastighet och med minimala energiförluster.
– I stället för att AI-systemen ska utföra all beräkning digitalt i elektroniska chip kan vi låta fysiken göra en del av arbetet. Det blir ett optiskt, energisnålt första steg som tar hand om den tidiga databehandlingen, säger Giovanni Volpe.
Modern AI är också resurskrävande eftersom träningen oftast bygger på stora mängder manuellt märkta data och global optimering av miljarder parametrar. Optiska system fungerar annorlunda – de är begränsade, ofullkomliga och bara delvis programmerbara. Därför ska forskarna utveckla inlärningsstrategier som liknar hur hjärnan fungerar och som är bättre anpassade till verkligheten och till den optiska hårdvaran.
Projektet ska också studera hur optiska system kan skalas upp utan att förlora i effektivitet. Biologiska system skalar upp genom att återanvända samma kretsar, använda återkoppling och genom modulära strukturer där enkla delar tillsammans skapar avancerat beteende.
– Vi vill översätta dessa principer till optiska AI-arkitekturer som kan förfina sina resultat över tid och återanvända hårdvara, snarare än genom att stapla allt fler optiska lager på varandra.