Moderne Systeme der künstlichen Intelligenz verlassen sich auf die Multiplikation von Eingabedaten mit erlernten Gewichten und führen Milliarden von Operationen durch, um Antworten oder Empfehlungen zu generieren. Lizy K. John, Professorin für Elektrotechnik und Computertechnik an der University of Texas in Austin, vertritt die Ansicht, dass dieser Ansatz mehr Aufwand erfordert, als zur Lösung der Aufgaben notwendig wäre.
In den letzten fünf Jahren hat Professorin John an einer Klasse von Modellen gearbeitet, die als gewichtslose neuronale Netze bekannt sind. Diese Arbeit zielt darauf ab, das fundamentale Prinzip der Funktionsweise neuronaler Netze zu überdenken, um eine vermutete Redundanz in den Rechenprozessen zu beseitigen.
Die Initiative der Forscherin stellt den aktuellen Industriestandard infrage, bei dem das Ausmaß der Multiplikationsoperationen als unvermeidlich angesehen wird. Der vorgeschlagene alternative Ansatz könnte theoretisch die Architektur der Modelle vereinfachen, obwohl Details der Implementierung und die vergleichende Effizienz weiterhin Gegenstand der Forschung bleiben.
redaktioneller Kommentar
Warum es wichtig ist
In naher Zukunft ist mit der Veröffentlichung technischer Details oder der Demonstration von Prototypen zu rechnen, die die Funktionsfähigkeit der Methode bestätigen. Die größte Unsicherheit besteht in der Fähigkeit solcher Netze, komplexe Aufgaben mit einer Genauigkeit zu lösen, die mit traditionellen Architekturen vergleichbar ist. Die Umsetzung der Idee wird Zeit für die Überprüfung der Hypothesen unter realen Bedingungen erfordern.