নতুন পদ্ধতি উল্লেখযোগ্যভাবে এআই শক্তি খরচ হ্রাস করে

এআই অ্যাপ্লিকেশন যেমন বড় ভাষার মডেল (এলএলএম) আমাদের দৈনন্দিন জীবনের একটি অবিচ্ছেদ্য অঙ্গ হয়ে উঠেছে। প্রয়োজনীয় কম্পিউটিং, স্টোরেজ এবং সংক্রমণ ক্ষমতাগুলি ডেটা সেন্টার দ্বারা সরবরাহ করা হয় যা প্রচুর পরিমাণে শক্তি গ্রহণ করে। একমাত্র জার্মানিতে এটি ছিল ২০২০ সালে প্রায় ১ 16 বিলিয়ন কিলোওয়াট, বা দেশের মোট জ্বালানি ব্যবহারের প্রায় ১%। 2025 এর জন্য, এই সংখ্যাটি 22 বিলিয়ন কিলোওয়াট বৃদ্ধি পাবে বলে আশা করা হচ্ছে।

তুলনামূলক নির্ভুলতার সাথে নতুন পদ্ধতিটি 100 গুণ দ্রুত

আগামী বছরগুলিতে আরও জটিল এআই অ্যাপ্লিকেশনগুলির আগমন ডেটা সেন্টার ক্ষমতার চাহিদা যথেষ্ট পরিমাণে বাড়িয়ে তুলবে। এই অ্যাপ্লিকেশনগুলি নিউরাল নেটওয়ার্কগুলির প্রশিক্ষণের জন্য প্রচুর পরিমাণে শক্তি ব্যবহার করবে। এই প্রবণতার বিরুদ্ধে লড়াই করার জন্য, গবেষকরা একটি প্রশিক্ষণ পদ্ধতি তৈরি করেছেন যা বিদ্যমান পদ্ধতির সাথে তুলনীয় নির্ভুলতা অর্জনের সময় 100 গুণ দ্রুত। এটি প্রশিক্ষণের জন্য শক্তি খরচ উল্লেখযোগ্যভাবে হ্রাস করবে।

চিত্রের স্বীকৃতি বা ভাষা প্রক্রিয়াকরণের মতো কাজের জন্য এআইতে ব্যবহৃত নিউরাল নেটওয়ার্কগুলির কার্যকারিতা মানব মস্তিষ্কের কাজ করে অনুপ্রাণিত হয়। এই নেটওয়ার্কগুলিতে আন্তঃসংযুক্ত নোড রয়েছে যা কৃত্রিম নিউরন নামে পরিচিত। ইনপুট সংকেতগুলি নির্দিষ্ট পরামিতিগুলির সাথে ওজনযুক্ত এবং তারপরে সংক্ষিপ্ত করা হয়। যদি একটি সংজ্ঞায়িত প্রান্তিকতা অতিক্রম করা হয় তবে সংকেতটি পরবর্তী নোডে প্রেরণ করা হয়। নেটওয়ার্কটি প্রশিক্ষণের জন্য, প্যারামিটার মানগুলির প্রাথমিক নির্বাচনটি সাধারণত এলোমেলোভাবে করা হয়, উদাহরণস্বরূপ একটি সাধারণ বিতরণ ব্যবহার করে। মানগুলি তখন ক্রমবর্ধমানভাবে নেটওয়ার্কের পূর্বাভাসগুলিকে উন্নত করতে ক্রমবর্ধমানভাবে সামঞ্জস্য করা হয়। প্রয়োজনীয় অনেকগুলি পুনরাবৃত্তির কারণে, এই প্রশিক্ষণটি অত্যন্ত দাবি করে এবং প্রচুর বিদ্যুৎ গ্রাস করে।

সম্ভাবনা অনুযায়ী নির্বাচিত পরামিতি

পদার্থবিজ্ঞান-বর্ধিত মেশিন লার্নিংয়ের অধ্যাপক ফেলিক্স ডায়েট্রিচ এবং তার দল একটি নতুন পদ্ধতি তৈরি করেছে। নোডগুলির মধ্যে প্যারামিটারগুলি পুনরাবৃত্তভাবে নির্ধারণের পরিবর্তে তাদের পদ্ধতির সম্ভাবনাগুলি ব্যবহার করে। তাদের সম্ভাব্য পদ্ধতিটি প্রশিক্ষণ ডেটাতে যেখানে মানগুলিতে বড় এবং দ্রুত পরিবর্তন হচ্ছে সেখানে সমালোচনামূলক স্থানে মানগুলির লক্ষ্যযুক্ত ব্যবহারের উপর ভিত্তি করে। বর্তমান অধ্যয়নের উদ্দেশ্য হ’ল ডেটা থেকে শক্তি-সংরক্ষণের গতিশীল সিস্টেমগুলি অর্জন করতে এই পদ্ধতির ব্যবহার করা। এই জাতীয় সিস্টেমগুলি নির্দিষ্ট নিয়ম অনুসারে সময়ের সাথে সাথে পরিবর্তিত হয় এবং উদাহরণস্বরূপ জলবায়ু মডেল এবং আর্থিক বাজারে পাওয়া যায়।

ফেলিক্স ডায়েট্রিচ বলেছেন, “আমাদের পদ্ধতিটি ন্যূনতম কম্পিউটিং পাওয়ার সহ প্রয়োজনীয় পরামিতিগুলি নির্ধারণ করা সম্ভব করে তোলে This “তদ্ব্যতীত, আমরা দেখেছি যে নতুন পদ্ধতির যথার্থতা পুনরাবৃত্ত প্রশিক্ষিত নেটওয়ার্কগুলির সাথে তুলনীয়।”