Non classé
Élagage optimisé pour diminuer la mémoire des IA et les coûts de calcul.
Des chercheurs de l’Université Bar-Ilan ont développé une méthode innovante permettant de réduire considérablement la taille et la consommation d’énergie des systèmes d’apprentissage en profondeur tout en maintenant leurs performances.
Leur étude, publiée dans Physical Review E, montre qu’une meilleure compréhension des mécanismes d’apprentissage des réseaux profonds permet d’élaguer jusqu’à 90 % des paramètres dans certaines couches, sans compromettre leur précision.
Cette avancée, dirigée par le professeur Ido Kanter et le doctorant Yarden Tzach, pourrait rendre l’intelligence artificielle plus efficiente et durable pour des applications pratiques.Le professeur Kanter souligne l’importance d’une compréhension approfondie des réseaux pour optimiser leur performance.
Bien que plusieurs méthodes existent déjà pour améliorer l’utilisation de la mémoire et réduire la complexité de calcul, la technique développée par cette équipe se distingue par la capacité à réduire drastiquement le nombre de paramètres tout en préservant la précision des systèmes.
Alors que l’IA se généralise dans notre quotidien, réduire son coût énergétique devient crucial.