VDI energie + umwelt

Inhaltsverzeichnis

Kein Zugriff

Zukunft gestalten: smart, effizient und nachhaltig

Jahrgang 2 (2025), Heft 7-8

Autor:innen:: , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
Verlag: VDI fachmedien, Düsseldorf
Erscheinungsjahr: 2025
ISSN-Online: 2942-7347
ISSN-Print: 2942-7347

Kein Zugriff

Jahrgang 2 (2025), Heft 7-8

Neuronale Netze effizienter trainieren

Kapitelvorschau:: Das Training von neuronalen Netzen für Künstliche Intelligenz (KI) erfordert enorme Rechenressourcen und damit sehr viel Strom. Eine neue Methode zeigt nun vielversprechende Ergebnisse. Statt iterativ, also schrittweise vorzugehen, werden die Parameter auf Grundlage ihrer Wahrscheinlichkeit direkt aus den Daten berechnet. Dieses Vorgehen ist bis zu hundertmal schneller und damit wesentlich energieeffizienter. Die Qualität der Ergebnisse ist mit den bislang üblichen iterativen Verfahren vergleichbar.

[1] Bolager, E. L.; Burak, I.; Datar, C.; Sun, Q.; Dietrich, F.: Sampling Weights of Deep Neural Networks. In Advances in Neural Information Processing Systems (NeurIPS), 36:63075-116, 2023. Curran Associates, Inc., https://proceedings.neurips.cc/paper_files/ paper/2023/hash/c7201deff8d507a8fe2e86d 34094e154-Abstract-Conference.html. Google Scholar öffnen
[2] Rahma, A.; Datar, C.; Cukarska, A.; Dietrich, F.: Rapid Training of Hamiltonian Graph Networks without Gradient Descent. 2025, Pre-print, https://doi.org/10.48550/arXiv.2506.06558. Google Scholar öffnen
[3] Rahma, A.; Datar, C.; Dietrich, F.: Training Hamiltonian Neural Networks without Backpropagation. Machine Learning and the Physical Sciences Workshop at the 38th conference on Neural Information Processing Systems (NeurIPS), 2024, https://neurips.cc/virtual/2024/99994. Google Scholar öffnen

Kein Zugriff

Sie haben keinen Zugriff auf diesen Inhalt.