• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  • La lumière :une solution possible pour une IA durable

    La startup française LightOn travaille actuellement au développement de technologies utilisant la lumière. Crédit :Dmitriy Rybin / Shutterstock

    Nous assistons à l'adoption accélérée de l'intelligence artificielle (IA), qui a le potentiel de se traduire par une variété de changements sociétaux, y compris l'amélioration de l'économie, de meilleures conditions de vie, un accès plus facile à l'éducation, bien-être, et divertissement. Un avenir si attendu, cependant, est entaché de problèmes liés à la vie privée, l'explicabilité, responsabilité, pour n'en nommer que quelques-uns, qui constituent une menace pour l'adoption sans heurt de l'IA, et qui sont au centre de divers débats dans les médias.

    Un aspect peut-être plus inquiétant est lié au fait que les technologies d'IA actuelles sont totalement insoutenables, et à moins d'agir rapidement, cela deviendra l'obstacle majeur à l'adoption généralisée de l'intelligence artificielle dans la société.

    IA et machine learning bayésien

    Mais avant de plonger dans les questions de durabilité de l'IA, qu'est-ce que l'IA ? L'IA vise à construire des agents artificiels capables de sentir et de raisonner sur leur environnement, et finalement apprendre en interagissant avec lui. Le Machine Learning (ML) est une composante essentielle de l'IA, qui permet d'établir des corrélations et des relations causales entre les variables d'intérêt à partir des données et de la connaissance préalable des processus caractérisant l'environnement de l'agent.

    Par exemple, en sciences de la vie, La ML peut être utile pour déterminer la relation entre le volume de matière grise et la progression de la maladie d'Alzheimer, alors qu'en sciences de l'environnement, il peut être utile d'estimer l'effet du CO 2 émissions sur le climat. Un aspect clé de certaines techniques de ML, en particulier le ML bayésien, est la possibilité de le faire en tenant compte de l'incertitude due au manque de connaissance du système, ou le fait qu'une quantité finie de données est disponible.

    Une telle incertitude est d'une importance fondamentale dans la prise de décision lorsque le coût associé aux différents résultats est déséquilibré. Quelques exemples de domaines où l'IA peut être d'une grande aide incluent une variété de scénarios médicaux (par exemple, diagnostic, pronostic, traitement personnalisé), sciences de l'environnement (p. climat, tremblement de terre/tsunami), et l'élaboration des politiques (par exemple, circulation, lutter contre les inégalités sociales).

    Crédit :MIT Technology Review Source :Strubell et al.

    IA non durable

    Les récents progrès spectaculaires du ML ont contribué à un regain d'intérêt sans précédent pour l'IA, qui a déclenché d'énormes quantités de financement privé dans le domaine (Google, Facebook, Amazone, Microsoft, OpenAI). Tout cela pousse la recherche sur le terrain, mais il néglige en quelque sorte son impact sur l'environnement. La consommation d'énergie des appareils informatiques actuels augmente à un rythme incontrôlé. On estime que dans les dix prochaines années, la consommation électrique des appareils informatiques atteindra 60% de la quantité totale d'énergie qui sera produite, et cela deviendra complètement insoutenable d'ici 2040.

    Des études récentes montrent que l'industrie des TIC génère aujourd'hui environ 2 % des émissions mondiales de CO₂, comparable à l'industrie aéronautique mondiale, mais la forte courbe de croissance prévue pour les émissions basées sur les TIC est vraiment alarmante et dépasse de loin l'aviation. Parce que le ML et l'IA sont des disciplines TIC en croissance rapide, c'est une perspective inquiétante. Des études récentes montrent que l'empreinte carbone de la formation d'un célèbre modèle de ML, appelé auto-encodeur, peuvent polluer jusqu'à cinq voitures au cours de leur vie.

    Si, afin de créer de meilleures conditions de vie et d'améliorer notre estimation du risque, nous avons un impact tellement important sur l'environnement, nous sommes voués à l'échec. Que pouvons-nous faire pour changer radicalement cela?

    Que la lumière soit

    Des solutions à base de transistors à ce problème commencent à apparaître. Google a développé le Tensor Processing Unit (TPU) et l'a rendu disponible en 2018. Les TPU offrent une consommation d'énergie beaucoup plus faible que les GPU et les CPU par unité de calcul. Mais pouvons-nous rompre avec la technologie à base de transistors pour calculer avec moins de puissance et peut-être plus rapidement ? La réponse est oui! Au cours des deux dernières années, il y a eu des tentatives d'exploiter la lumière pour des calculs rapides et de faible puissance. De telles solutions sont quelque peu rigides dans la conception du matériel et conviennent à des modèles ML spécifiques, par exemple., les réseaux de neurones.

    « L'informatique optique à la pointe de la mise à l'échelle de l'IA », Igor Carron, PDG, Lumière allumée. Crédit :vidéo CognitionX, 2018

    De façon intéressante, La France est à l'avant-garde dans ce domaine, avec le développement de matériel à partir de financements privés et de financements nationaux pour la recherche pour faire de cette révolution une possibilité concrète. La société française LightOn a récemment développé un nouveau dispositif basé sur l'optique, qu'ils ont nommé Unité de traitement optique (OPU).

    En pratique, Les OPU effectuent une opération spécifique, qui est une transformation linéaire des vecteurs d'entrée suivie d'une transformation non linéaire. De façon intéressante, cela se fait dans du matériel exploitant les propriétés de diffusion de la lumière, de sorte qu'en pratique ces calculs se font à la vitesse de la lumière et avec une faible consommation d'énergie. De plus, il est possible de manipuler de très grandes matrices (de l'ordre de millions de lignes et de colonnes), ce qui serait difficile avec les CPU et les GPU. En raison de la diffusion de la lumière, cette transformation linéaire est l'équivalent d'une projection aléatoire, par exemple. la transformation des données d'entrée par une série de nombres aléatoires dont la distribution peut être caractérisée. Les projections aléatoires sont-elles utiles ? Étonnamment oui ! Une preuve de concept que cela peut être utile pour mettre à l'échelle les calculs de certains modèles ML (machines à noyau, qui sont une alternative aux réseaux de neurones) a été rapporté ici. D'autres modèles ML peuvent également tirer parti des projections aléatoires pour la prédiction ou la détection de points de changement dans les séries chronologiques.

    Nous pensons qu'il s'agit d'une direction remarquable pour rendre le ML moderne évolutif et durable. Le plus grand défi pour l'avenir, cependant, est de repenser la conception et la mise en œuvre des modèles bayésiens de ML afin de pouvoir exploiter les calculs que proposent les OPU. Ce n'est que maintenant que nous commençons à développer la méthodologie nécessaire pour tirer pleinement parti de ce matériel pour Bayesian ML. J'ai récemment reçu une bourse française pour que cela se produise.

    Il est fascinant de constater à quel point la lumière et le hasard ne sont pas seulement omniprésents dans la nature, ils sont également mathématiquement utiles pour effectuer des calculs qui peuvent résoudre de vrais problèmes.

    Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.




    © Science https://fr.scienceaq.com