Büyük dil modelleri (LLM’ler) gibi yapay zeka teknolojileri günlük hayatın ayrılmaz bir parçası haline geldi. Ancak bu teknolojileri destekleyen veri merkezleri, büyük miktarda enerji harcıyor. Sadece Almanya’da, veri merkezleri 2020 yılında yaklaşık 16 milyar kilovat saat (kWh) elektrik tüketti ve bu miktarın 2025 yılına kadar 22 milyar kWh’ye ulaşması bekleniyor. Yapay zeka uygulamalarının giderek karmaşıklaşmasıyla birlikte, bu enerji talebi daha da artacak.
100 kat daha hızlı, aynı doğruluk oranı
Yapay zeka modellerinin eğitimi, özellikle sinir ağları için büyük miktarda hesaplama gücü gerektiriyor. Bu sorunu çözmek için geliştirilen yeni yöntem, geleneksel yaklaşımlara kıyasla 100 kat daha hızlı çalışıyor ve aynı doğruluk seviyesini koruyor. Bu buluş, yapay zeka eğitimi için gerekli enerji miktarını önemli ölçüde azaltma potansiyeline sahip.
Sinir ağları, insan beyninden ilham alınarak tasarlanmış bir sistemdir. Yapay sinir hücrelerinden oluşan bu ağlar, girdilere belirli ağırlıklar atayarak bilgiyi işler. Yeterli bir eşik değeri aşıldığında, sinyal bir sonraki katmana iletilir.
Bu ağların eğitimi ise büyük miktarda hesaplama gerektirir. Başlangıçta, ağ içindeki parametreler rastgele belirlenir ve ardından birçok iterasyon boyunca ayarlanarak modelin doğruluğu artırılır. Ancak bu süreç, büyük enerji harcamalarına yol açmaktadır.
Olasılık temelli yeni eğitim yöntemi
Fizik Tabanlı Makine Öğrenimi profesörü Felix Dietrich ve ekibi, yapay zeka eğitiminde devrim yaratabilecek yeni bir yöntem geliştirdi. Geleneksel yöntemlerden farklı olarak, bu yeni yaklaşım iterasyonlarla parametreleri belirlemek yerine, olasılıkları kullanıyor.
Bu yöntem, eğitim verilerinde büyük ve hızlı değişimlerin meydana geldiği kritik noktalarda değerleri hedefleyerek çalışıyor. Araştırmacılar, bu yaklaşımı kullanarak enerji tasarrufu sağlayan dinamik sistemler elde etmeyi hedefliyor. Bu tür sistemler, zaman içinde belirli kurallara göre değişerek iklim modelleri ve finans piyasaları gibi alanlarda kullanılıyor.
Daha az enerjiyle yüksek verimlilik
“Yöntemimiz, gerekli parametreleri minimum hesaplama gücüyle belirlemeyi mümkün kılıyor. Böylece sinir ağlarının eğitimi çok daha hızlı ve enerji açısından verimli hale geliyor,” diyen Felix Dietrich, aynı zamanda bu yöntemin doğruluğunun iteratif olarak eğitilmiş ağlarla kıyaslanabilir seviyede olduğunu vurguladı.
Bu yeni yaklaşım, yapay zekanın çevresel etkisini azaltarak sürdürülebilir bir teknolojiye dönüşmesine yardımcı olabilir. Uzmanlar, bu buluşun gelecekte daha geniş kapsamlı yapay zeka uygulamalarında kullanılabileceğini belirtiyor.
