Japoński chip przewidzi ruch gracza w papier, kamień, nożyce – rewolucja w obliczeniach na krawędzi sieci?

Gra w „papier, kamień, nożyce” to od dawna pole bitwy psychologii, strategii i szczęścia. Co jednak, gdyby komputer był w stanie analizować nasze intencje na tyle skutecznie, by wygrywać za każdym razem? Zespół badaczy z japońskiego Hokkaido University oraz TDK Corp. zaprezentował układ scalony, który jest w stanie tego dokonać.

Chip nie czyta w myślach, ale za sprawą akcelerometru umieszczonego na kciuku użytkownika jest w stanie precyzyjnie mierzyć ruchy. System uczy się, które gesty odpowiadają poszczególnym symbolom – papierowi, kamieniowi czy nożycom. Co najważniejsze, po fazie treningu, spersonalizowanej pod konkretnego gracza, układ jest w stanie przewidzieć jego następny ruch w ułamku sekundy, jeszcze zanim użytkownik sam zdecyduje się na wykonanie gestu, co umożliwia pokonanie go w czasie rzeczywistym.

Obliczenia rezerwuarowe – skuteczna alternatywa dla klasycznych sieci neuronowych

Kluczem do tej imponującej technologii są obliczenia rezerwuarowe (reservoir computing) – metoda uczenia maszynowego, która wykorzystuje złożony system dynamiczny do ekstrakcji istotnych cech z danych szeregów czasowych. Koncepcja ta nie jest nowa, sięgając lat 90. XX wieku, jednak w dobie rosnącego zapotrzebowania na efektywne rozwiązania AI zyskuje na znaczeniu. Jej główne atuty to niskie zużycie energii oraz potencjał do szybkiego treningu i wnioskowania.

Tomoyuki Sasaki, kierownik sekcji i starszy menedżer w TDK, podkreśla, że celem było zminimalizowanie zużycia energii i opóźnień. „W przypadku sztucznej inteligencji na krawędzi (edge AI) problem opóźnień jest znaczący,” mówi Sasaki. W odpowiedzi na te wyzwania, zespół opracował sprzętową implementację analogowego obwodu obliczeń rezerwuarowych w technologii CMOS.

Różnica między obliczeniami rezerwuarowymi a tradycyjnymi sieciami neuronowymi jest fundamentalna. Klasyczne sieci neuronowe, będące podstawą współczesnej AI, składają się z warstw sztucznych neuronów, gdzie dane przepływają jednokierunkowo. Trening polega na dostosowywaniu wag miliardów „synaps” za pomocą propagacji wstecznej, co jest procesem energochłonnym i czasochłonnym.

W obliczeniach rezerwuarowych neurony i synapsy są ułożone w sposób nieliniowy, tworząc skomplikowaną sieć z licznymi pętlami. To nadaje sieci unikalną „pamięć”. Co istotne, wewnętrzne połączenia rezerwuaru są stałe. Regulacji podlegają wyłącznie wagi synaps łączących rezerwuar z warstwą wyjściową. Znacząco upraszcza to proces treningowy, eliminując potrzebę propagacji wstecznej, co przekłada się na niższe zapotrzebowanie na moc obliczeniową i energię.

Potencjał rezerwuaru na krawędzi chaosu

Sanjukta Krishnagopal, adiunktka informatyki na Uniwersytecie Kalifornijskim w Santa Barbara, która nie była zaangażowana w projekt, zaznacza, że choć obliczenia rezerwuarowe nie są uniwersalnym rozwiązaniem, doskonale sprawdzają się w przewidywaniu ewolucji chaotycznych systemów, takich jak pogoda. Wynika to z faktu, że sam rezerwuar działa na „krawędzi chaosu”, umożliwiając reprezentowanie wielu stanów z wykorzystaniem stosunkowo niewielkiej sieci neuronowej.

Brak konieczności regulowania wewnętrznych synaps otwiera szerokie możliwości dla fizycznej implementacji rezerwuarów. Do tej pory wykorzystywano światło, urządzenia MEMS, a nawet… wiadra wody. Japoński zespół postawił jednak na stworzenie chipa kompatybilnego z technologią CMOS, przeznaczonego do urządzeń brzegowych.

Ich układ został zaprojektowany z analogowych węzłów, z których każdy zawiera nieliniowy rezystor, element pamięci oparty na kondensatorach MOS i wzmacniacz buforowy. Chip składał się z czterech rdzeni, z których każdy zawierał 121 takich węzłów. Aby uprościć złożoność połączeń, zespół zdecydował się na konfigurację cykliczną, gdzie wszystkie węzły połączone są w jedną pętlę. Nawet ta prosta architektura, jak wskazują wcześniejsze badania, jest w stanie modelować skomplikowaną dynamikę.

Opracowany chip zużywa zaledwie 20 mikrowatów mocy na rdzeń, czyli łącznie 80 µW – jest to wynik znacząco niższy niż w przypadku innych fizycznych obliczeń rezerwuarowych kompatybilnych z CMOS.

Zastosowania poza grą

Poza zdolnością do pokonywania ludzi w „papier, kamień, nożyce”, chip ten ma znacznie szersze zastosowania. „Jeśli to, co dzieje się dzisiaj, jest zależne od danych z wczoraj lub wcześniejszych, chip może przewidzieć wynik,” mówi Sasaki. Zespół zademonstrował jego możliwości w przewidywaniu zachowania chaotycznego systemu logistycznego oraz, co bardziej istotne, w prognozowaniu danych pogodowych. W obu przypadkach chip z sukcesem przewidział następne kroki.

Precyzja przewidywań nie jest tu najważniejsza, lecz ekstremalnie niskie zużycie energii i zminimalizowane opóźnienia. To właśnie te cechy otwierają drogę do zastosowań, takich jak uczenie w czasie rzeczywistym na urządzeniach noszonych (wearables) i innych jednostkach brzegowych. Sasaki podkreśla, że choć precyzja może być zbliżona do istniejących technologii AI, to dziesięciokrotnie niższe zużycie energii i znacznie większa szybkość działania stanowią znaczącą różnicę.