人工智能正變得可持續(xù)

Milano Politecnico di的一個研究小組開發(fā)了一種新的計算電路，可以在一次操作中執(zhí)行先進的操作，這是人工智能神經網絡的典型。

在速度和能耗方面的電路性能為新一代人工智能計算加速器鋪平了道路，這些加速器在全球范圍內更節(jié)能、更可持續(xù)。 這項研究最近發(fā)表在著名的科學進步雜志上。

認識一張臉或一個物體，或正確解釋一個詞或一首音樂曲調，是今天在智能手機和平板電腦等最常見的電子設備上可以進行的操作，這要歸功于人工智能。 要做到這一點，復雜的神經網絡需要適當?shù)挠柧殻@是如此的強烈要求，根據(jù)一些研究，碳足跡來自復雜的神經網絡的訓練可以等于5輛汽車在整個生命周期的排放。

為了減少訓練的時間和能量消耗，人們應該開發(fā)與傳統(tǒng)方法完全不同的電路，并且能夠更準確地模擬神經網絡的結構和生物突觸的特性。 一個典型的例子是內存中計算的概念，其中數(shù)據(jù)直接在內存中處理，就像在人腦中一樣。

基于這一類比，米蘭Politecnico di Milano的研究小組開發(fā)了一種新的電路，它可以在一次操作中執(zhí)行一個稱為回歸的數(shù)學函數(shù)。 為此，他們使用電阻存儲器，也稱為記憶器，一種可以記住任何基準（例如，在某一時間共享的值）的電阻值的設備。 通過將這些內存元素排列在一個大小為幾微米（百萬分之一米）的數(shù)組中，Politecnico di Milano的組能夠對一組數(shù)據(jù)執(zhí)行線性回歸。

這種操作能夠確定最能描述數(shù)據(jù)序列的直線，例如，允許基于簡單的線性模型預測股票市場的趨勢。 還演示了后勤回歸，它允許在數(shù)據(jù)庫中對數(shù)據(jù)進行分類。 這一功能對于所謂的推薦系統(tǒng)至關重要，因為推薦系統(tǒng)是網上采購的關鍵營銷工具。