تستخدم تقنية الذكاء الاصطناعي الجديدة 1٪ من قوة التكنولوجيا الحالية! ورقة جديدة: يزيد من كفاءة الذكاء الاصطناعي باستخدام تقنية تشبه بريان البشرية شرح رسم الخرائط الطبوغرافية المتناثرة تنمو نماذج الذكاء الاصطناعي بشكل أكبر وتستخدم المزيد من الطاقة ، مما يثير مخاوف بشأن الاستدامة. تقدم ورقة بحثية جديدة من جامعة ساري ، نشرت في الحوسبة العصبية ، طريقة مستوحاة من الدماغ البشري لجعل الذكاء الاصطناعي أكثر كفاءة. بعنوان "رسم الخرائط الطبوغرافية المتناثرة: إطار تدريب متناثر مستوحى من الأعصاب لنماذج التعلم العميق" ، يوضح كيفية تقليل الاتصالات في الشبكات العصبية مع الحفاظ على الدقة أو تحسينها. يمكن أن يكلف تدريب نماذج الذكاء الاصطناعي الكبيرة الملايين ويستخدم قدرا كبيرا من الطاقة مثل مئات المنازل. بحلول عام 2030 ، قد تتطابق مراكز البيانات مع استخدام الطاقة في بلد ما. استمد الباحثون محسن كامليان راد وفيرانتي نيري وسوتيريس موسكويانيس وباور من الأسلاك المنظمة للدماغ في النظام البصري. قاموا بإنشاء رسم الخرائط الطبوغرافية المتناثر (TSM) ، والذي يربط ميزات الإدخال ، مثل وحدات بكسل الصورة ، فقط بالخلايا العصبية القريبة في الطبقة التالية. هذا يقطع الروابط غير الضرورية من البداية ، مما يؤدي إلى تسريع التدريب وتحسين النتائج. كما طوروا TSM المحسن (ETSM) ، الذي يقوم بتقليم الوصلات الضعيفة أثناء التدريب ، مثل مسارات تنقية الدماغ. يؤدي هذا إلى تناثر بنسبة 99 في المائة - إزالة معظم الروابط - أثناء مطابقة أو التغلب على النماذج الكثيفة في اختبارات مثل MNIST (الأرقام المكتوبة بخط اليد) و Fashion-MNIST (الملابس) و CIFAR-10 (صور بسيطة) و CIFAR-100 (الفئات التفصيلية). في CIFAR-100 ، حسنت ETSM الدقة بنسبة 14 في المائة مقارنة بالطرق المتناثرة الأخرى ، باستخدام موارد أقل. الفائدة الرئيسية هي توفير الطاقة: تستخدم هذه الطرز أقل من 1 في المائة من طاقة النماذج القياسية ، مع تدريب أسرع واحتياجات ذاكرة أقل. يمكن أن يساعد ذلك في بناء أجهزة شبيهة بالدماغ وتقليل التأثير البيئي الذكاء الاصطناعي. النقاط الرئيسية... 1. تصميم مستوحى من الدماغ: يحد TSM من الاتصالات بالخلايا العصبية المحلية ، مما يقلل من النفايات ويساعد في التعميم دون خطوات إضافية. 2. التقليم في ETSM: يزيل الروابط منخفضة القيمة أثناء التدريب ، ويصل إلى 99 بالمائة من التناثر دون فقدان الدقة. 3. نتائج قوية: يطابق أو يتجاوز النماذج الكثيفة على المعايير ، مع مكاسب كبيرة في المهام المعقدة مثل CIFAR-100. 4. مكاسب الكفاءة: يخفض الطاقة إلى أقل من 1 في المائة من المعايير ، ويسرع التدريب ، ويقلل من استخدام الذاكرة. 5. الإمكانات المستقبلية: يمكن تطبيقها على أنواع الذكاء الاصطناعي الأخرى ، مما يدعم النمو المستدام والأجهزة الجديدة. ...