日前，英國紐卡斯爾大學的研究人員研發(fā)出一種非神經網絡硬件，可以顯著降低人工智能的功率消耗。
研發(fā)團隊訓練了一個神經網絡，利用Tsetlin機器技術，來從標準MNIST數(shù)據(jù)集識別手寫數(shù)字。
紐卡斯爾大學高級講師Rishad Shafik表示：“即開即用的神經網絡讓我們每焦耳可以進行不到10萬億次操作。而使用我們設計的第一臺Tsetlin機器，這個數(shù)值能達到65萬億次。這種改進主要來自于簡化過的邏輯設計?！?/p>
他補充說，在識別隨機說話者說出的關鍵詞時，一臺Tsetlin機器“可以識別15個單詞，與神經網絡識別一個單詞所需的能量消耗相同”。
Tsetlin機器是一種“學習自動機”（learning automata），它最早是由俄羅斯科學家Mikhail Tsetlin在20世紀60年代發(fā)明的一種機器學習算法。Shafik解釋說，這種算法的問題在于，在其基本形式中，“學習自動機幾乎不可能在硬件上實現(xiàn)，因為有大量的狀態(tài)需要去適應”。
挪威阿格德大學的AI教授Ole－Christoffer Granmo說，在過去的幾年里，他通過將學習自動機與經典的博弈論和布爾代數(shù)相結合，找到了一種降低學習自動機復雜性的方法。他將簡化版的學習自動機應用到軟件中，并以該學科創(chuàng)始人的名字將其命名為“Tsetlin機器”（Tsetlin machine）。
在Granmo的研究基礎以及他本人的協(xié)助下，紐卡斯爾團隊找到了一種能夠有效地將Tsetlin機器的數(shù)據(jù)類型和基礎算法映射到邏輯門上的方法，并在FPGA和定制ASIC上成功實現(xiàn)，他們采用的的形式不僅適用于訓練/學習AI階段，同時也適用于訓練之后，也就是所謂的AI推理階段。
Shafik將Tsetlin機器和神經網絡之間的功耗差別歸結于它們映射到硬件上的方式：神經網絡，包括二值神經網絡在內，都是算術，它們包含了許多乘法和加法操作，而Tsetlin機器硬件不使用算術。他表示：“這純粹是邏輯上的平行操作。”
紐卡斯爾微系統(tǒng)研究小組組長Alex Yakovlev，同時也和Shafik一樣是AI團隊的領導者，他表示：“能量效率是人工智能最重要的賦能因素，同樣重要的是能夠解釋AI決策的能力。對于這兩方面，我們需要擺脫算術，而我們的Tsetlin機器硬件設計正好幫我們解決了這一問題?！?/p>
這樣的機器能做什么？“任何類型的機器學習都需要訓練?！盨hafik說道，“本質上，它能夠做神經網絡可以做的任何事情?！?/p>
（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
