In het kort:
De doorbraak ligt in het omarmen van onvoorspelbaarheid in plaats van het bestrijden ervan. Hun EaPU-methode werkt met kansen die aansluiten bij de natuurlijke ruis van memristors.
- Memristors zijn speciale geheugenchips die data tegelijkertijd kunnen opslaan en verwerken, waardoor energie-intensieve datatransport tussen processor en geheugen wegvalt.
- In tests verbeterde de nauwkeurigheid met meer dan 60 procent ten opzichte van standaardmethoden voor analoge hardware.
- Het energieverbruik daalt spectaculair: bijna een miljoen keer minder dan GPU-training en tientallen keren efficiënter dan eerdere memristor-trainingsmethoden.
Achter de schermen:
Het probleem met memristors was altijd hun gevoeligheid voor ruis en kleine willekeurige afwijkingen. Standaardalgoritmen gaan uit van exacte aanpassingen, maar memristors introduceren kleine fouten die training instabiel maken. De Chinese onderzoekers kozen voor een radicaal andere aanpak: als een gewenste aanpassing kleiner is dan de verwachte fout, beslist het systeem willekeurig om óf een grotere aanpassing te doen, óf helemaal niets. Gemiddeld levert dat hetzelfde resultaat op, maar het sluit veel beter aan bij het daadwerkelijke gedrag van de chip.
