Forskere ved University of Surrey har udviklet en ny, hjerneinspireret tilgang til kunstig intelligens (AI), der markant kan forbedre energieffektiviteten og ydeevnen af kunstige neurale netværk (ANN'er).
Metoden, kaldet Topographical Sparse Mapping (TSM), efterligner hjernens sparse og strukturerede neurale forbindelse for at reducere unødvendige forbindelser og beregninger, hvilket fører til markante energibesparelser uden at gå på kompromis med nøjagtigheden.
Traditionelle deep learning-modeller, der bruges i moderne AI som ChatGPT, forbinder alle neuroner i et lag med alle neuroner i det næste, hvilket resulterer i et betydeligt energiforbrug. TSM, derimod, forbinder hver neuron kun til nærliggende eller relaterede neuroner, ligesom hjernens visuelle system organiserer information effektivt. En videreudvikling af metoden, Enhanced Topographical Sparse Mapping (ETSM), inkorporerer en biologisk inspireret "beskæringsproces" under træning, hvorved hjernen gradvist forfiner sine neurale forbindelser.
Dr. Roman Bauer fra University of Surrey fremhæver, at træningen af mange store AI-modeller i dag kan forbruge over en million kilowatt-timer elektricitet, hvilket er uholdbart. Den nye metode viser, at intelligente systemer kan bygges langt mere effektivt, med en reduktion i energiforbrug til under en procent af konventionelle AI-systemer, samtidig med at præcisionen opretholdes eller forbedres. Den forbedrede model opnåede op til 99% sparsomhed, hvilket betyder, at næsten alle neurale forbindelser kunne fjernes, mens nøjagtigheden på benchmarksættene matchede eller overgik standardnetværk.
Mohsen Kamelian Rad, studiets ledende forfatter, understreger, at hjernens bemærkelsesværdige effektivitet stammer fra dens struktur og rumligt organiserede neuronforbindelser. Ved at spejle dette topografiske design kan AI-systemer trænes til at lære hurtigere, forbruge mindre energi og yde lige så nøjagtigt. Forskningsteamet undersøger muligheder for at udvide denne tilgang til dybere lag i netværkene og anvende den i neuromorfiske computere, hvor effektivitetsgevinsterne potentielt kan være endnu større.
Original: https://techxplore.com/news/2025-10-brain-ai-energy-boost.html