Нейросеть-сомелье успешно тестирует вина и требует так же мало энергии, как человеческий мозг

Команда ученых из NIST обучила нейросеть на основе характеристик 148 вин, изготовленных из трех сортов винограда. У каждого «виртуального вина» было по 13 характеристик, в числе которых фруктовость, содержание алкоголя, магния, фенолов, цвет, зольность, кислотность и др. Каждой из них было присвоено значение от нуля до единицы, чтобы нейросеть учитывала отличия одного вина от остальных.

После обучения нейронная сеть провела виртуальную дегустацию вин: перед ней был набор из 30 незнакомых ей напитков. Система быстро прошла тест с точностью 95,3% — она допустила только две ошибки. Это очень высокий результат.

Конечно, это не означает, что сомелье теперь заменят роботы. Цель исследования была совсем иной: ученые ищут технологии и методы для обучения ИИ с меньшими затратами энергии и времени.

Дело в том, что ИИ все еще отстает от человеческого мозга по многим показателям. Например, чтобы ИИ так же быстро обрабатывал огромные объемы данных, как мозг, ему требуется до 190 МВт·ч — столько же 16 человек потребляют за целый год.

Ученые из NIST предложили новый способ экономии на энергопотреблении при работе ИИ. Они задействовали наномагниты в качестве синапсов в нейросети, имитирующей мозг. Этот тип оборудования потребляет значительно меньше энергии и работает быстрее, чем человеческий мозг.

Магниты, на основе которых авторы создали систему ИИ, работали по принципу магнитного туннельного перехода (MTJ – magnetic tunnel junction). Такие устройства успешно справляются с расчетами, используемыми нейросетями, и им нужно небольшое количество электроэнергии — обычные чипы потребляют в несколько раз больше. MTJ-устройства также способны выполнять задачи быстрее, так как данные хранятся там же, где производятся вычисления, в отличие от традиционных чипов.

Чтобы протестировать массив MTJ, ученые и провели виртуальную дегустацию вин нейросетью. Важно, что обычно перенос обученной сетевой модели на аппаратное обеспечение для вывода влечет за собой ухудшение производительности из-за различий между устройствами, ошибок записи, неидеальности подложки и ряда других причин. В рамках исследования, несмотря на несовершенство нового устройства, получилось достичь программно-эквивалентной точности 95,3%.

Успех эксперимента демонстрирует, что после масштабирования такие массивы можно задействовать при разработке новых энергоэффективных систем ИИ. Авторы этого исследования, вышедшего в Physical Review Applied, считают, что благодаря использованию массивов MTJ в роли синапсов в нейросети, можно сократить энергопотребление системы ИИ минимум в два раза.