Teknologi AI Baru Menggunakan 1% Kekuatan Teknologi Saat Ini! Makalah Baru: Meningkatkan Efisiensi AI Menggunakan Teknologi Seperti Manusia Brian Pemetaan Jarang Topografi Dijelaskan Model AI tumbuh lebih besar dan menggunakan lebih banyak energi, meningkatkan kekhawatiran tentang keberlanjutan. Sebuah makalah baru dari University of Surrey, yang diterbitkan dalam Neurocomputing, memperkenalkan metode yang terinspirasi oleh otak manusia untuk membuat AI lebih efisien. Berjudul "Pemetaan Jarang Topografi: Kerangka Pelatihan Jarang yang Terinspirasi Neuro untuk Model Pembelajaran Mendalam," ini menunjukkan cara mengurangi koneksi dalam jaringan saraf sambil menjaga atau meningkatkan akurasi. Melatih model AI besar dapat menelan biaya jutaan dan menggunakan daya sebanyak ratusan rumah. Pada tahun 2030, pusat data dapat menyamai penggunaan energi suatu negara. Peneliti Mohsen Kamelian Rad, Ferrante Neri, Sotiris Moschoyiannis, dan Bauer mengambil dari kabel otak yang terorganisir dalam sistem visual. Mereka menciptakan Topographical Sparse Mapping (TSM), yang menghubungkan fitur input, seperti piksel gambar, hanya ke neuron terdekat di lapisan berikutnya. Ini memotong tautan yang tidak perlu sejak awal, mempercepat pelatihan dan meningkatkan hasil. Mereka juga mengembangkan Enhanced TSM (ETSM), yang memangkas koneksi yang lemah selama pelatihan, seperti jalur pemurnian otak. Hal ini mengarah pada 99 persen jarang—menghapus sebagian besar tautan—sambil mencocokkan atau mengalahkan model padat pada tes seperti MNIST (digit tulisan tangan), Fashion-MNIST (pakaian), CIFAR-10 (gambar sederhana), dan CIFAR-100 (kategori terperinci). Pada CIFAR-100, ETSM meningkatkan akurasi sebesar 14 persen dibandingkan metode jarang lainnya, menggunakan sumber daya yang lebih sedikit. Manfaat utamanya adalah penghematan energi: Model ini menggunakan kurang dari 1 persen daya standar, dengan pelatihan yang lebih cepat dan kebutuhan memori yang lebih rendah. Ini dapat membantu membangun perangkat keras seperti otak dan mengurangi dampak lingkungan AI. Poin-poin penting... 1. Desain yang terinspirasi dari otak: TSM membatasi koneksi ke neuron lokal, mengurangi limbah dan membantu generalisasi tanpa langkah tambahan. 2. Pemangkasan di ETSM: Menghilangkan tautan bernilai rendah selama pelatihan, mencapai 99 persen jarang tanpa kehilangan akurasi. 3. Hasil yang kuat: Mencocokkan atau melampaui model padat pada tolok ukur, dengan keuntungan besar pada tugas-tugas kompleks seperti CIFAR-100. 4. Peningkatan efisiensi: Memotong energi menjadi di bawah 1 persen norma, mempercepat pelatihan, dan menurunkan penggunaan memori. 5. Potensi masa depan: Dapat diterapkan pada jenis AI lainnya, mendukung pertumbuhan berkelanjutan dan perangkat keras baru. ...