(2025年9月24日付、国防高等研究計画局（DARPA）の標記発表の概要は以下のとおり)

従来の機械学習モデルの設計では、パフォーマンスの最大化が重視されてきた。このアプローチにより、言語モデルや画像認識などの分野で画期的な進展がもたらされた一方で、電力消費という重要な要素は見過ごされてきた。新プログラムは、エネルギー使用量とパフォーマンスのバランスを重視する。

「機械学習の物理学へのマッピング(ML2P)」プログラムは、人工知能 (AI) システムにおけるパフォーマンスとエネルギー使用量のバランスを再定義することを目的として設計された。ML2Pは、機械学習モデルのパフォーマンスを物理的な電気特性にマッピングし、ジュール単位でのエネルギー使用量測定に焦点を当てるとともに、AI設計にエネルギー認識を組み込むことで、この課題に取り組む。さらに、ML2Pは過去の設計選択を継続的に考慮し、エネルギー消費とモデルのパフォーマンスとの間のトレードオフを最適化するトレーニング関数を生成してモデル構築を導く。これらの手法により、原理的かつ計算効率に優れたエネルギー認識型機械学習モデルの開発が可能となる。結果として、既存ハードウェア上でのパフォーマンスを維持しつつ、大規模言語モデル、生成AI、および分類タスクのエネルギー効率向上が期待される。

ML2Pは即時的な効率向上にとどまらず、将来的にはより高性能なハードウェア設計にも寄与し得る。本プログラムにより効率とパフォーマンスが両立するAI設計の新たなパラダイムが確立されれば、高い精度を持ち高速・大規模かつ経済的に運用可能なAIシステムの実現につながる。

[DW編集局]