- Thermodynamisch computergebruik maakt gebruik van fysieke energiestromen, in plaats van vaste digitale circuits, om AI-berekeningen uit te voeren
- Beeldgegevens kunnen op natuurlijke wijze verslechteren door kleine schommelingen in computercomponenten
- Voor het opschalen naar complexe beeldvorming zijn volledig nieuwe hardwareontwerpen en -benaderingen nodig
Wetenschappers onderzoeken nieuwe soorten computers die natuurlijke energiestromen gebruiken om AI-taken mogelijk efficiënter uit te voeren.
In tegenstelling tot traditionele digitale computers, die afhankelijk zijn van vaste circuits en nauwkeurige berekeningen, werkt thermodynamisch computergebruik met willekeur, ruis en fysieke interacties om problemen op te lossen.
Het idee is dat deze methode ervoor zorgt dat AI-tools, waaronder beeldeditors, met veel minder stroom kunnen werken dan de huidige systemen.
Hoe thermodynamisch tekenen werkt
Het proces van het creëren van een thermodynamisch beeld is ongebruikelijk vergeleken met normaal computergebruik. Het begint ermee dat de computer een reeks beelden ontvangt, die vervolgens kunnen worden ‘verslechterd’.
In deze context betekent degradatie niet dat het beeld wordt gewist of beschadigd; wat betekent dat de gegevens in het beeld zich op natuurlijke wijze kunnen verspreiden of veranderen als gevolg van kleine fluctuaties in het systeem.
Deze fluctuaties worden veroorzaakt door fysieke energie die door computercomponenten beweegt, zoals stromingen en kleine trillingen.
Na verloop van tijd zorgen deze interacties ervoor dat het beeld wazig of ruis wordt, waardoor een soort natuurlijke ruis ontstaat. Vervolgens meet het systeem de waarschijnlijkheid dat deze ruis wordt teruggedraaid en worden de interne instellingen aangepast om reconstructie haalbaarder te maken.
Door dit proces vele malen uit te voeren, herstelt de computer geleidelijk het originele beeld zonder de stapsgewijze logica te volgen die door conventionele computers wordt gebruikt.
Stephen Whitelam, een onderzoeker aan het Lawrence Berkeley National Laboratory, heeft aangetoond dat computationele thermodynamica afbeeldingen kan produceren die zo eenvoudig zijn als handgeschreven getallen.
Deze uitvoer is veel eenvoudiger vergeleken met AI-beeldgeneratoren zoals DALL-E of Nano Banana Pro van Google Gemini.
Uit onderzoek blijkt echter dat fysieke systemen fundamentele machine learning-taken kunnen uitvoeren, wat nieuwe manieren van AI-werk laat zien.
Het opschalen van deze aanpak om hoogwaardige, complete afbeeldingen te produceren vereist echter nieuwe soorten hardware.
Voorstanders beweren dat thermodynamisch computergebruik de energie die nodig is om AI-beelden te produceren tien miljard keer kan verminderen in vergelijking met standaardcomputers.
Als dit lukt, zou dit het energieverbruik van datacenters met AI-modellen aanzienlijk verminderen.
Hoewel de eerste thermodynamische computerchip is gemaakt, zijn de huidige prototypes nog steeds eenvoudig en kunnen ze niet tippen aan reguliere AI-tools.
De onderzoekers benadrukken dat het concept zich beperkt tot basisprincipes, en dat de praktische implementatie ervan doorbraken vereist in hardwareontwerp en computergebruik.
“Dit onderzoek laat zien dat het mogelijk is om hardware te maken die bepaalde vormen van machinaal leren kan uitvoeren… tegen veel lagere energiekosten dan we nu doen”, aldus Whitelam. IEEE.
“We weten nog niet hoe we een thermodynamische computer moeten ontwerpen die beelden kan produceren die net zo goed zijn als bijvoorbeeld DALL-E. We moeten nog uitzoeken hoe we de hardware hiervoor kunnen bouwen.”
Volg TechRadar op Google Nieuws En voeg ons toe als voorkeursbron om nieuws, recensies en onze deskundige meningen in uw feed te krijgen. Klik dan zeker op de knop Volgen!
En jij kunt dat natuurlijk ook Volg TechRadar op TikTok voor nieuws, recensies, unboxings in videovorm en ontvang regelmatig updates van ons Wat is het Ook.
