توسعه نرم‌افزاری

به گزارش ایسنا و به نقل از یونایت، اخیر دو دانشجوی دانشگاه کپنهاگ، تمرکز خود را بر روی چگونگی اصلاح این شرایط گذاشته‌اند. روش‌های پیشرفته هوش مصنوعی مانند یادگیری عمیق با سرعت حیرت انگیزی در حال توسعه هستند، اما این امر با مقادیر زیادی مصرف انرژی همراه است.

اگر این روند افزایش پیدا کند، فناوری‌ها و روش‌های هوش مصنوعی به ویژه یادگیری عمیق به احتمال زیاد به یک ابزار مسبب تغییرات آب و هوایی تبدیل خواهند شد. با این حال ، این تنها در صورتی امکانپذیر است که برای تغییر مسیر فعلی اقدامی صورت نگیرد. از سال ۲۰۱۲ تا ۲۰۱۸، قدرت محاسباتی مورد نیاز برای یادگیری عمیق ۳۰ هزار درصد افزایش یافته است.

یکی از مشکلات مهم این صنعت این است که مصرف انرژی و اثر کربن به دلیل توسعه الگوریتم‌ها به ندرت اندازه گیری می‌شود. در همین زمان، بسیاری از مطالعات به بررسی جزئیات این موضوع می‌پردازند و خواستار اقدام برای کنترل هستند.

در جستجوی پرداختن به این موضوع دو دانشجو به نام‌های “لیس اف ولف آنتونی”(Lasse F. Wolff Anthony) و “بنجامین کندینگ”(Benjamin Kanding) از دانشکده علوم کامپیوتر دانشگاه کپنهاگ با کمک پروفسور “راقاوندرا سلوان”(Raghavendra Selvan) برنامه نرم افزاری جدیدی به نام “ردیاب کربن”(Carbontracker ) را توسعه داده‌اند.

این نرم افزار می‌تواند میزان مصرف انرژی و انتشار کربن دی اکسید حاصل از مدل‌های یادگیری عمیق آموزش دیده را به طور دقیق محاسبه و پیش‌بینی کند.

لیس اف ولف آنتونی گفت: پیشرفت در این زمینه به سرعت جنون آمیزی، سریع رخ می‌دهد و مدل‌های یادگیری عمیق اکنون در مقیاس عظیمی در حال  پیشرفته‌تر شدن هستند. در حال حاضر، رشد نمایی وجود دارد و این به معنای افزایش مصرف انرژی است که به نظر می‌رسد اکثر مردم به آن فکر نمی‌کنند. مدل‌های یادگیری عمیق همچنان که پیشرفته‌تر می‌شوند و مشکلات بسیار پیچیده‌تری را حل می‌کنند مصرف انرژی آنها نیز به میزان قابل توجهی افزایش می‌یابد.

بنجامین کندینگ گفت: هر روز مجموعه داده‌ها بزرگتر می‌شوند و در نتیجه مشکلاتی که الگوریتم‌ها باید آنها را حل کنند پیچیده‌تر می‌شوند.

یکی از بهترین نمونه‌ها، مدل زبان پیشرفته GPT-۳ است. این یکی از بزرگترین و پیچیده‌ترین مدل‌های یادگیری عمیق است که تا به امروز تولید شده است. GPT-۳ به همان مقدار انرژی نیاز دارد که ۱۲۶ خانه در دانمارک در سال مصرف می‌کنند و نکته جالب این است که GPT-۳ تمام این انرژی را تنها در یک جلسه مصرف می‌کند و میزان کربن دی اکسید آزاد شده آن معادل ۷۰۰ هزار کیلومتر رانندگی است. ردیاب کربن میزان کربن دی اکسید مورد استفاده برای تولید انرژی را در مناطقی که آموزش یادگیری عمیق در آن اتفاق می‌افتد ردیابی می‌کند و امکان پیش‌بینی انتشار کربن دی اکسید پس از تبدیل مصرف انرژی را فراهم می‌کند. به گفته دانشجویان، کاربران یادگیری عمیق باید توجه داشته باشند که از چه نوع سخت افزار و الگوریتمی استفاده می‌کنند. عملکرد الگوریتم‌ها در بهره وری انرژی بسیار متفاوت است برای مثال بعضی از آنها برای دستیابی به نتایج مشابه به محاسبه کمتر و در نتیجه انرژی کمتری نیاز دارند. اگر کسی بتواند این نوع پارامترها را تنظیم کند، همه چیز به طور قابل توجهی تغییر می‌کند.

منبع : ایسنا