Para peneliti di Institut Max Planck untuk Ilmu Cahaya telah mengembangkan metode yang lebih sederhana dan berpotensi lebih berkelanjutan untuk mengimplementasikan jaringan saraf menggunakan sistem optik.
Sistem optik baru untuk jaringan saraf telah dikembangkan oleh Institut Max Planck, menawarkan alternatif yang lebih sederhana dan lebih hemat energi daripada metode saat ini.
Sistem ini menggunakan transmisi cahaya untuk melakukan komputasi, mengurangi kompleksitas dan kebutuhan energi yang terkait dengan jaringan saraf tradisional.
Jaringan Syaraf Optik
Para ilmuwan mengusulkan cara baru untuk menerapkan jaringan saraf dengan sistem optik yang dapat membuat pembelajaran mesin
Pembelajaran mesin merupakan bagian dari kecerdasan buatan (AI) yang berkaitan dengan pengembangan algoritma dan model statistik yang memungkinkan komputer untuk belajar dari data dan membuat prediksi atau keputusan tanpa diprogram secara eksplisit untuk melakukannya. Pembelajaran mesin digunakan untuk mengidentifikasi pola dalam data, mengklasifikasikan data ke dalam berbagai kategori, atau membuat prediksi tentang kejadian di masa mendatang. Pembelajaran ini dapat dikategorikan ke dalam tiga jenis pembelajaran utama: pembelajaran terbimbing, pembelajaran tak terbimbing, dan pembelajaran penguatan.
” data-gt-terjemahkan-atribut=”({“atribut”:”data-cmtooltip”Bahasa Indonesia: “format”:”Bahasa Indonesia”})” tabindex=”0″ role=”link”>pembelajaran mesin lebih berkelanjutan di masa depan. Para peneliti di Institut Max Planck untuk Ilmu Cahaya telah menerbitkan metode baru mereka di Fisika Alam
Fisika Alam adalah jurnal ilmiah bergengsi yang telah melalui peninjauan sejawat dan menerbitkan penelitian berkualitas tinggi di semua bidang fisika. Diluncurkan pada tahun 2005, jurnal ini merupakan bagian dari keluarga jurnal Nature, yang dikenal karena dampaknya yang signifikan terhadap komunitas ilmiah. Jurnal ini mencakup berbagai topik, termasuk fisika fundamental, fisika terapan, dan penelitian interdisipliner yang menjembatani fisika dengan disiplin ilmu lainnya. Nature Physics bertujuan untuk menyoroti penelitian yang paling berdampak dan mutakhir di bidang ini, dengan memberikan wawasan tentang fisika teoretis, eksperimental, dan terapan. Jurnal ini juga menampilkan ulasan, berita, dan komentar tentang kemajuan dan isu utama yang memengaruhi komunitas fisika.
” data-gt-terjemahkan-atribut=”({“atribut”:”data-cmtooltip”Bahasa Indonesia: “format”:”Bahasa Indonesia”})” tabindex=”0″ role=”link”>Fisika Alammenunjukkan metode yang jauh lebih sederhana daripada pendekatan sebelumnya.
Pembelajaran mesin dan kecerdasan buatan
Kecerdasan Buatan (AI) adalah cabang ilmu komputer yang berfokus pada pembuatan sistem yang dapat melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia. Tugas-tugas ini meliputi memahami bahasa alami, mengenali pola, memecahkan masalah, dan belajar dari pengalaman. Teknologi AI menggunakan algoritma dan sejumlah besar data untuk melatih model yang dapat membuat keputusan, mengotomatiskan proses, dan meningkatkan kemampuan seiring berjalannya waktu melalui pembelajaran mesin. Aplikasi AI beragam, memengaruhi bidang-bidang seperti perawatan kesehatan, keuangan, otomotif, dan hiburan, yang secara mendasar mengubah cara kita berinteraksi dengan teknologi.
” data-gt-terjemahkan-atribut=”({“atribut”:”data-cmtooltip”Bahasa Indonesia: “format”:”Bahasa Indonesia”})” tabindex=”0″ role=”link”>kecerdasan buatan menjadi semakin meluas dengan aplikasi mulai dari visi komputer hingga pembuatan teks, seperti yang ditunjukkan oleh ChatGPT. Namun, tugas-tugas rumit ini memerlukan jaringan saraf yang semakin kompleks; beberapa dengan miliaran parameter.
Pertumbuhan pesat ukuran jaringan saraf ini telah menempatkan teknologi pada jalur yang tidak berkelanjutan karena konsumsi energi dan waktu pelatihannya yang meningkat secara eksponensial. Misalnya, diperkirakan bahwa pelatihan GPT-3 menghabiskan lebih dari 1.000 MWh energi, yang setara dengan konsumsi energi listrik harian sebuah kota kecil.
Tren ini telah menciptakan kebutuhan akan alternatif yang lebih cepat, lebih hemat energi dan biaya, yang memicu perkembangan pesat bidang komputasi neuromorfik. Tujuan bidang ini adalah mengganti jaringan saraf pada komputer digital kita dengan jaringan saraf fisik. Jaringan ini dirancang untuk melakukan operasi matematika yang dibutuhkan secara fisik dengan cara yang berpotensi lebih cepat dan lebih hemat energi.
Ilustrasi artistik sistem neuromorfik pemandu gelombang yang membawa cahaya. Kredit: @ CC Wanjura
Tantangan dalam Komputasi Neuromorfik
Optik dan fotonik merupakan platform yang sangat menjanjikan untuk komputasi neuromorfik karena konsumsi energi dapat ditekan seminimal mungkin. Perhitungan dapat dilakukan secara paralel pada kecepatan yang sangat tinggi yang hanya dibatasi oleh kecepatan cahaya. Namun, sejauh ini, terdapat dua tantangan signifikan: Pertama, mewujudkan perhitungan matematika kompleks yang diperlukan memerlukan daya laser yang tinggi. Kedua, kurangnya metode pelatihan umum yang efisien untuk jaringan saraf fisik tersebut.
Kedua tantangan tersebut dapat diatasi dengan metode baru yang diusulkan oleh Clara Wanjura dan Florian Marquardt dari Institut Max Planck untuk Ilmu Cahaya dalam artikel baru mereka di Fisika Alam.
Menyederhanakan Pelatihan Jaringan Syaraf
“Biasanya, data yang dimasukkan dicetak pada bidang cahaya. Namun, dalam metode baru kami, kami mengusulkan untuk mencetak data tersebut dengan mengubah transmisi cahaya,” jelas Florian Marquardt, Direktur Institut tersebut.
Dengan cara ini, sinyal masukan dapat diproses secara acak. Hal ini berlaku meskipun medan cahaya itu sendiri berperilaku dengan cara yang paling sederhana yang memungkinkan, yaitu gelombang saling mengganggu tanpa memengaruhi satu sama lain. Oleh karena itu, pendekatan mereka memungkinkan seseorang untuk menghindari interaksi fisik yang rumit untuk mewujudkan fungsi matematika yang diperlukan yang jika tidak demikian akan memerlukan medan cahaya berdaya tinggi.
Mengevaluasi dan melatih jaringan saraf fisik ini akan menjadi sangat mudah: “Ini akan semudah mengirimkan cahaya melalui sistem dan mengamati cahaya yang dipancarkan. Ini memungkinkan kita mengevaluasi keluaran jaringan. Pada saat yang sama, ini memungkinkan seseorang untuk mengukur semua informasi yang relevan untuk pelatihan,” kata Clara Wanjura, penulis pertama penelitian tersebut.
Para penulis menunjukkan dalam simulasi bahwa pendekatan mereka dapat digunakan untuk melakukan tugas klasifikasi gambar dengan cara yang sama ketepatan
Seberapa dekat nilai yang diukur sesuai dengan nilai yang benar.
” data-gt-terjemahkan-atribut=”({“atribut”:”data-cmtooltip”Bahasa Indonesia: “format”:”Bahasa Indonesia”})” tabindex=”0″ role=”link”>ketepatan sebagai jaringan saraf digital.
Di masa mendatang, penulis berencana untuk berkolaborasi dengan kelompok eksperimen guna mengeksplorasi penerapan metode mereka. Karena proposal mereka secara signifikan melonggarkan persyaratan eksperimen, metode ini dapat diterapkan pada banyak sistem yang sangat berbeda secara fisik. Hal ini membuka kemungkinan baru untuk perangkat neuromorfik yang memungkinkan pelatihan fisik melalui berbagai platform.
Referensi: “Komputasi neuromorfik nonlinier penuh dengan hamburan gelombang linier” oleh Clara C. Wanjura, dan Florian Marquardt, 9 Juli 2024, Fisika Alam.
Nomor Induk Kependudukan: 10.1038/s41567-024-02534-9
