美国科学家提议在人工智能图像生成器中使用热力学计算技术，这可以将某些操作的能源成本降低多达 10 亿倍。
包括DALL-E、Midjourney和Stable Diffusion在内的生成式人工智能模型能够生成逼真的图像，但消耗大量能源。这些模型属于扩散模型。在训练过程中，它们会被输入大量图像，并逐步添加噪声，直到图像看起来像老式电视机上的雪花点。然后，神经网络会掌握逆向过程，并按需生成新图像。问题在于，人工智能算法在添加和去除噪声时所需的计算量过大，消耗了过多的能源。加州劳伦斯伯克利国家实验室的研究人员表示，通过热力学计算，可以将这些计算量降低到现代数字设备无法承受的程度。
热力学计算利用物理电路来响应噪声（例如环境中的随机热波动）而改变其参数。初创公司 Normal Computing 开发了一种基于八个互连谐振器的芯片——连接器根据芯片要解决的问题类型进行连接。然后，将谐振器暴露于外部环境中，向电路引入噪声，从而进行计算。系统达到平衡后，从新的谐振器配置中读取计算结果。
劳伦斯伯克利国家实验室的科学家们已经证明，构建神经网络的热力学版本是可行的。这种方法为利用热力学计算生成图像奠定了基础。一组图像被输入到热力学计算机中，计算机的各个组件随后暴露于自然环境力的作用下，直到连接这些组件的链路达到平衡状态。接下来，计算具有给定链路状态的热力学计算机能够逆转这一过程的概率，并调整这些链路的值以最大化该概率。
模拟实验证实，可以构建一台热力学计算机，其设置能够生成手写数字的图像。这无需耗能的数字神经网络或噪声较大的伪随机数生成器即可实现。科学家们承认，与数字神经网络相比，热力学计算机仍处于初级阶段，他们目前还不清楚如何将其设计成能够达到DALL-E级别的运行水平。然而，就能源效率而言，它们有望展现出显著优势。
来源：
来源： 3dnews.ru
