「人工知能（AI）におけるアナログコンピュータの使用」

Using Analog Computers in Artificial Intelligence (AI)

アナログコンピュータは、電気の電圧、機械の動き、または流体の圧力などの物理的な量を、解決すべき問題に対応する量に類似的に表現するデバイスの一種です。

以下はアナログコンピュータの簡単な例です。

黒と白のホイールを一定量回転させると、灰色のホイールには2つの回転の合計が表示されます。

• スケッチベースの画像対画像変換：GANを使用して抽象的なスケッチを写実的な画像に変換する
• 「機械学習モデルを展開する」とはどういう意味ですか？
• 機械学習の簡素化と標準化のためのトップツール

初期のアナログコンピュータの1つは、紀元前100-200年頃に作られたアンティキティラ機構です。この機構は、特定のダイヤルの動きが太陽や月の動きに類似しているように、一連の連結した青銅のギアを使用して構築されていました。また、数十年先の日食を予測することもできました。

アナログコンピュータの利点と欠点

8ビットの数値を足すには約50個のトランジスタが必要ですが、アナログコンピュータでは、単に2本のワイヤを接続するだけで2つの電流を足すことができます。同様に、2つの数値を掛けるには数千個のトランジスタが必要ですが、アナログコンピュータでは、抵抗器（Rオーム）に電流（Iアンペア）を流すと、ワイヤの両端にかかる電位降下はI*R、つまり2つの数値の積になります。

アナログコンピュータは強力で高速でエネルギー効率が良いですが、シングルパーパスであり正確性に欠け、入力が連続しているためプロセスを正確に繰り返すことが困難です。そのため、デジタルコンピュータがアナログコンピュータに取って代わりました。

アナログコンピュータとAI

AIでは、アナログコンピュータはパターン認識、意思決定、制御など、さまざまなタスクに使用されました。たとえば、アナログコンピュータは、人間の脳の構造と機能に触発された機械学習モデルであるニューラルネットワークのトレーニングに使用されました。アナログコンピュータはまた、特定のルールを使用して意思決定や行動を行うルールベースのAIシステムを実装するために使用されました。

過去に広く使用されていましたが、アナログコンピュータはAIと機械学習においてはデジタルコンピュータの登場により一般的ではなくなりました。デジタルコンピュータはアナログコンピュータよりもはるかに高速で信頼性があり、より大量のデータを格納および処理することができます。さらに、デジタルコンピュータはプログラムやメンテナンスが容易であり、多くのAIおよび機械学習アプリケーションで選択されるようになりました。

AIにおけるアナログコンピュータの使用の増加

機械学習および人工知能アプリケーションにおいて、より大きなニューラルネットワークを使用する傾向が増しています。この傾向は、ますます複雑なタスクでのパフォーマンス向上の必要性と、より大量のデータ、ハードウェア、およびアルゴリズムがトレーニングをサポートするために利用可能になったためです。ただし、この需要の増加には特定の課題も伴います。

• 大規模なニューラルネットワークのトレーニングには、平均的な年間消費量に相当するエネルギーが約3世帯分必要です。
• 現代のコンピュータはすべてのデータをメモリに保存し、必要に応じてアクセスします。しかし、ニューラルネットワークが巨大な行列の乗算を必要とする場合、ほとんどのエネルギーは計算を行うのではなく、重みの値を取得するために使用されます。
• ムーアの法則によれば、チップ上のトランジスタ数は伝統的に2年ごとに倍増してきました。しかし、現在、トランジスタのサイズが原子のサイズに近づいているため、さらなる小型化には重要な物理的な課題が生じています。

デジタルコンピュータが限界に近づく中、ニューラルネットワークは行列の乗算を中心とした機能を持ち、広く普及しています。また、ニューラルネットワークはデジタルコンピュータの正確な計算を必要とせず、イメージを犬として分類するのに98%または95%の信頼度が十分です。これらの要素は、アナログコンピュータがAIの中でより主導的な役割を果たす絶好の機会を提供しています。

事例研究：Mythic AI

Mythic AIは、ニューラルネットワークを実行するためのアナログチップを作成するアナログコンピューティングのスタートアップです。動き検知、深度推定、オブジェクトの分類など、さまざまなAIアルゴリズムがアナログドメインで実行されます。

Mythicは、デジタルフラッシュストレージセルを改造してこれを可能にしています。これらのセルは通常、メモリストレージに使用され、1または0を保持することができます。制御ゲートに正の電圧を印加すると、電子が絶縁バリアを通過し、浮遊ゲートに捕捉されます。電圧を取り除くと、電子は浮遊ゲートに長い時間留まり、セルを通じて電流が流れないようにします。

格納された値は、小さな電圧を印加することで決定できます。浮遊ゲートに電子がある場合、電流は流れませんので、0を示します。電子がない場合は電流が流れるため、1を意味します。

Mythicのアイデアは、これらのセルをオン/オフスイッチではなく可変抵抗器として使用することです。彼らは、すべてまたは何もではなく、各浮遊ゲートに特定の数の電子を配置することでこれを実現しています。電子の数が多いほど、チャネルの抵抗が高くなります。小さな電圧を印加すると、流れる電流はV/Rに等しいです。しかし、これは電圧と導電率の積であるとも考えることができます。導電率は単に抵抗の逆数です。したがって、単一のフラッシュセルは、電圧×導電率で2つの値を掛け合わせるために使用できます。

人工ニューラルネットワークを実行するために、彼らはまずすべての重みをフラッシュセルに導電率として書き込みます。次に、活性化値をセルの電圧として入力します。そして、結果の電流は電圧×導電率、つまり活性化×重みの積です。セルは互いに接続されており、各乗算の電流が加算され、行列の乗算が完了します。

彼らのチップは、わずか3Wの電力を使用しながら、毎秒25兆回の数学演算を実行することができます。それに対し、新しいデジタルシステムは毎秒20〜100兆回の数学演算を実行することができますが、それらは高価（数千ドル）であり、50〜100Wの電力を消費します。

スマートホームスピーカーにおいて、アナログ回路を利用して「Alexa」や「Siri」といった起動ワードを検出するために特に使用することが提案されています。このアプローチでは、より少ない電力が必要であり、デバイスのデジタル回路を迅速かつ信頼性の高い方法で起動することが可能です。

まとめると、アナログコンピュータがデジタルコンピュータと同じくらい一般的になるかどうかは不明です。しかし、現在のコンピュータが実行するさまざまなタスクにはアナログコンピュータの方が適しており、アナログの力を通じて真の知能を持つ機械を実現することができるかもしれません。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!