功耗高效解的物理学习

随着人工智能和计算机器学习（ML）模型的规模与普适性增长，其训练与使用的能耗正迅速变得在经济和环境上不可持续。神经形态计算，或将ML在硬件中实现，有潜力降低这一成本。特别是，近期自学习电子电路的实验室原型——"物理学习机器"的实例——为直接利用物理从样本中学习所需功能的模拟硬件打开了大门。本工作中，我们展示了该硬件平台通过使用良好初始条件以及一种新学习算法，可进一步降低能耗。利用解析计算、仿真与实验，我们表明当学习动力学试图同时最小化解的误差与功耗时，会出现一种权衡——可在降低解精度的代价下实现更大的功耗削减。最后，我们展示了一种实用流程，用以权衡误差最小化与功耗最小化的相对重要性，从而在给定误差容忍度下提升功耗效率。