AI na wzór mózgu? Zredukowanie połączeń obniży zużycie energii bez straty jakości
Zespół z University of Surrey zaproponował prostą zmianę w budowie sieci neuronowych. Zamiast łączyć wszystko ze wszystkim, sieć łączy tylko te neurony, które są „blisko” siebie lub przetwarzają podobne cechy. Pomysł ten wzorowany jest na mózgu człowieka.
Autorzy nazwali to Topographical Sparse Mapping (TSM). W praktyce sieć ma znacznie mniej kabli, więc wykonuje mniej obliczeń i zużywa mniej prądu.
Jak podaje University of Surrey, w wersji ETSM dochodzi do tego etap „przycinania” połączeń w trakcie uczenia. Pomysł jest wzorowany na mózgu: część połączeń wzmacnia się, część wygasa. Dzięki temu model zostawia tylko to, co naprawdę pomaga w zadaniu. Według uczelni i materiału prasowego, takie sieci mogą trenować szybciej i działać oszczędniej, a dokładność pozostaje na poziomie sieci gęstych.
W komunikacie uczelnia podaje konkret: gęstość połączeń da się zredukować bardzo mocno, a mimo to utrzymać lub poprawić wyniki na testach. To ważne w czasach, gdy trening dużych modeli generuje duże koszty energii. Lżejsze sieci to też korzyść dla urządzeń brzegowych i mobilnych, które mogą częściej działać lokalnie, bez chmury.
Warto jednak zachować umiar w interpretacji liczb. To dane z badań autorów na wybranych zestawach. Kluczowe będzie potwierdzenie w większych modelach i w warunkach produkcyjnych. Dobra wiadomość jest taka, że praca przeszła recenzję naukową i została opublikowana w Neurocomputing.
TSM i ETSM to nie nowy układ scalony, tylko sposób projektowania połączeń, który da się wdrożyć programowo. Autorzy piszą, że dziś metoda działa na wejściu sieci. Kolejny krok to przeniesienie jej głębiej w architekturę. Jeśli to się uda, oszczędności mogą być jeszcze większe. Zespół widzi też potencjał w komputerach neuromorficznych, gdzie zysk energetyczny bywa wyraźny.
Źródła:
* University of Surrey: „Brain-inspired AI could cut energy use and boost performance”,
* EurekAlert,
* Neurocomputing, DOI: 10.1016/j.neucom.2025.131740.
