人工知能 (AI) におけるアナログ コンピューターの使用

Sep 03, 2023

アナログ コンピュータは、電圧、機械的運動、流体圧力などの物理量が、解決すべき問題の対応する量に類似するように表現されるデバイスの一種です。

ここにアナログ コンピュータの簡単な例を示します。

黒と白のホイールを一定量回転させると、灰色のホイールは 2 つの回転の合計を示します。

最も初期のアナログ コンピューターの 1 つは、紀元前 100 ～ 200 年頃に構築されたアンティキティラの機械です。これには、特定の文字盤の動きが太陽と月の動きに類似するように、一連の連動する青銅の歯車が含まれていました。 また、数十年前に日食を予測することもできました。

2 つの 8 ビット数値を加算するには、約 50 個のトランジスタが必要です。 しかし、アナログコンピュータを使用すると、2 本の線を接続するだけで 2 つの電流を加算できます。 同様に、2 つの数値を乗算するには、数千個のトランジスタが必要です。 逆に、抵抗器 (R オーム) に電流 (I アンペア) を流すと、ワイヤの両端間の電位降下は I*R、つまり 2 つの数値の積になります。

アナログ コンピュータは強力、高速、エネルギー効率に優れています。 しかし、デジタル コンピューターは、単一目的で不正確であり、入力が連続的であるため、プロセスを正確に繰り返すことが難しいため、デジタル コンピューターに置き換えられました。

AI では、パターン認識、意思決定、制御などのさまざまなタスクにアナログ コンピューターが使用されていました。 たとえば、人間の脳の構造と機能にヒントを得た機械学習モデルであるニューラル ネットワークをトレーニングするために使用されました。 アナログ コンピューターは、特定のルールを使用して意思決定を行ったりアクションを実行したりするルールベースの AI システムの実装にも使用されました。

アナログ コンピュータは過去に広く使用されていたにもかかわらず、主にデジタル コンピュータの出現により、AI や機械学習ではそれほど一般的ではなくなりました。 デジタル コンピューターはアナログ コンピューターよりもはるかに高速で信頼性が高く、はるかに大量のデータを保存して処理できます。 さらに、デジタル コンピューターはプログラムと保守が容易なため、ほとんどの AI および機械学習アプリケーションで好まれる選択肢となっています。

機械学習や人工知能のアプリケーションにおいて、より大規模なニューラル ネットワークを使用する傾向が高まっています。 この傾向は、ますます複雑になるタスクのパフォーマンスを向上させる必要性と、大規模なネットワークのトレーニングをサポートするためにより多くのデータ、ハードウェア、アルゴリズムを利用できるようにする必要性によって推進されています。 ただし、この需要の増加に伴う特定の課題もあります。

デジタル コンピューターが限界に近づくにつれ、ニューラル ネットワークの人気が広まり、その機能の多くは行列の乗算を中心としています。 さらに、ニューラル ネットワークでは、画像を犬として分類する際に 98% または 95% の信頼度で十分であるため、デジタル コンピューターの正確な計算は必要ありません。 これらの要因は、アナログ コンピューターが AI においてさらに主導的な役割を担う絶好の機会をもたらします。

ミシックAIは、ニューラル ネットワークを実行するアナログ チップを作成するアナログ コンピューティングのスタートアップです。 動き検出、深度推定、オブジェクトの分類などのさまざまな AI アルゴリズムがアナログ領域で実行されます。

Mythic はこれを可能にするためにデジタル フラッシュ ストレージ セルを変更しました。 これらのセルは通常、メモリ記憶域に使用され、1 または 0 のいずれかを保持できます。 コントロールゲートに正の電圧を印加すると、電子が絶縁バリアを通過してフローティングゲート上にトラップされるようになります。 その後、電圧を取り除くことができ、電子はフローティング ゲート上に長時間留まり、セルに電流が流れるのを防ぎます。

保存された値は、小さな電圧を印加することで確認できます。 フローティング ゲート上に電子がある場合は電流は流れず、ゼロを示します。 電子が存在しない場合、電流が流れます。これは 1 を意味します。

Mythic のアイデアは、これらのセルをオン/オフ スイッチとしてではなく、可変抵抗器として使用することです。 これは、すべてかゼロかではなく、特定の数の電子を各フローティング ゲートに置くことによって行われます。 電子の数が多いほど、チャネルの抵抗は高くなります。 小さな電圧を印加すると、流れる電流は R に対する V に等しくなります。ただし、これを電圧とコンダクタンスの積と考えることもできます。ここで、コンダクタンスは抵抗の逆数にすぎません。 したがって、単一のフラッシュ セルを使用して、電圧とコンダクタンスの 2 つの値を掛け合わせることができます。

これを使用して人工ニューラル ネットワークを実行するには、まずすべての重みを各セルのコンダクタンスとしてフラッシュ セルに書き込みます。 次に、活性化値をセルの電圧として入力します。 そして、結果として得られる電流は、電圧とコンダクタンスの積、つまり活性化と重量の積になります。 セルは相互に配線されており、各乗算からの電流が加算され、行列乗算が完了します。

同社のチップは、わずか 3W の電力を使用しながら、1 秒あたり 25 兆回の演算を実行できます。 それどころか、新しいデジタル システムは 1 秒あたり 20 ～ 100 兆回の数学演算を実行できますが、コストが高く (数千ドル)、50 ～ 100 W の電力を消費します。

特に「Alexa」や「Siri」などのウェイクワードを検出する目的で、スマートホームスピーカーのアナログ回路を利用するという提案がありました。 このアプローチでは、必要な電力が少なくなり、デバイス内のデジタル回路を迅速かつ確実に起動できるようになります。

要約すると、アナログ コンピュータがデジタル コンピュータと同じくらい普及するかどうかは不確実です。 しかし、それらは、私たちがコンピュータに実行させたいさまざまな現在のタスクにより適しており、アナログの力を通じて機械に真の知能を実現させることができるかもしれません。

忘れずに参加してくださいRedditページそしてディスコードチャンネルでは、最新の AI 研究ニュースやクールな AI プロジェクトなどを共有します。

参考文献:

私はニューデリーのジャミア ミリア イスラミアで土木工学を卒業し (2022 年) 、データ サイエンス、特にニューラル ネットワークとそのさまざまな分野での応用に強い興味を持っています。