Аналоговые компьютеры могут обучать ИИ в 1000 раз быстрее и сократить потребление энергии

Компьютеры, построенные на аналоговых схемах, обещают значительное повышение скорости и эффективности по сравнению с обычными компьютерами, но, как правило, за счёт точности. Аналоговый компьютер, предназначенный для выполнения вычислений, имеющих ключевое значение для обучения ИИ, может решить эту проблему.

Аналоговые компьютеры, которые быстро решают ключевой тип уравнений, используемый при обучении моделей искусственного интеллекта, могут стать потенциальным решением проблемы растущего потребления энергии в центрах обработки данных, вызванного бурным развитием искусственного интеллекта.

Ноутбуки, смартфоны и другие привычные устройства называются цифровыми компьютерами, поскольку они хранят и обрабатывают данные в виде последовательности двоичных цифр, таких как 0 или 1, и могут быть запрограммированы для решения различных задач. Аналоговые же компьютеры, напротив, обычно предназначены для решения одной конкретной задачи. Они хранят и обрабатывают данные, используя величины, которые могут изменяться непрерывно, например, электрическое сопротивление, а не дискретные нули и единицы.

Аналоговые компьютеры могут похвастаться высокой скоростью и энергоэффективностью, но ранее им не хватало точности цифровых аналогов. Чжун Сунь из Пекинского университета (Китай) и его коллеги создали пару аналоговых микросхем, которые работают вместе для точного решения матричных уравнений – фундаментальной составляющей передачи данных по телекоммуникационным сетям, проведения масштабных научных симуляций и обучения моделей искусственного интеллекта.

Первый чип очень быстро выдаёт решение с низкой точностью для матричных вычислений, в то время как второй запускает итеративный алгоритм уточнения для анализа частоты ошибок первого чипа и повышения точности. Сан утверждает, что первый чип выдаёт результаты с частотой ошибок около 1%, но после трёх циклов второго чипа эта частота снижается до 0,0000001%, что, по его словам, соответствует точности стандартных цифровых вычислений.

На данный момент исследователи создали чипы, способные решать матрицы размером 16 на 16 или матрицы с 256 переменными, что может найти применение в решении некоторых небольших задач. Однако Сан признаёт, что для решения задач, решаемых в современных крупных моделях искусственного интеллекта, потребуются гораздо более крупные схемы, возможно, миллион на миллион.

Но одно из преимуществ аналоговых чипов перед цифровыми заключается в том, что решение матриц большего размера не требует больше времени, в то время как цифровые чипы замедляются экспоненциально по мере увеличения размера матрицы. Это означает, что пропускная способность (то есть объём данных, обрабатываемых в секунду) чипа с матрицей 32×32 превосходит производительность графического процессора Nvidia H100, одного из самых мощных чипов, используемых сегодня для обучения искусственного интеллекта.

Теоретически, дальнейшее масштабирование может привести к увеличению производительности в 1000 раз по сравнению с цифровыми чипами, такими как графические процессоры, при потреблении в 100 раз меньше энергии, утверждает Сан. Однако он сразу же отмечает, что реальные задачи могут выходить за рамки крайне узких возможностей их схем, что приводит к меньшему приросту производительности.

«Это всего лишь сравнение скорости, и для реальных приложений проблема может быть иной», — говорит Сан. «Наш чип может выполнять только матричные вычисления. Если матричные вычисления занимают большую часть вычислительной задачи, это даёт очень значительное ускорение, но если нет, то это будет лишь ограниченное ускорение».

По словам Сан, по этой причине наиболее вероятным результатом является создание гибридных чипов, в которых графический процессор будет включать в себя некоторые аналоговые схемы, обрабатывающие очень узкие части задач, — но даже это, скорее всего, произойдет через несколько лет.

Джеймс Миллен из Королевского колледжа Лондона утверждает, что матричные вычисления являются ключевым процессом в обучении моделей ИИ и что аналоговые вычисления предлагают потенциальное ускорение.

«Современный мир построен на цифровых компьютерах. Эти невероятные машины – универсальные компьютеры, то есть их можно использовать для расчётов абсолютно чего угодно, но не всё можно вычислить эффективно или быстро», – говорит Миллен. «Аналоговые компьютеры заточены под конкретные задачи и поэтому могут быть невероятно быстрыми и эффективными. В этой работе используется аналоговый вычислительный чип для ускорения процесса, называемого обращением матрицы, который является ключевым в обучении некоторых моделей ИИ. Более эффективное выполнение этого процесса может помочь снизить огромные энергетические затраты, связанные с нашей постоянно растущей зависимостью от ИИ».

Nature Electronics DOI: 10.1038/s41928-025-01477-0

Источник: www.newscientist.com