Vers une plausibilité physique dans les systèmes de neuroévolution

L’utilisation croissante des modèles d’intelligence artificielle (IA), en particulier des réseaux de neurones profonds (DNN), entraîne une augmentation de la consommation énergétique durant l’entraînement et l’inférence, suscitant des préoccupations environnementales et impulsant la nécessité de développer des algorithmes et des solutions matérielles plus économes en énergie. Ce travail s’attaque au problème croissant de la consommation énergétique en apprentissage automatique (ML), en particulier durant la phase d’inférence. Même une légère réduction de la consommation électrique peut se traduire par des économies d’énergie significatives, profitant ainsi aux utilisateurs, aux entreprises et à l’environnement. Notre approche vise à maximiser la précision des modèles de réseaux de neurones artificiels (ANN) en utilisant un cadre de neuroévolution tout en minimisant leur consommation énergétique. Pour cela, la consommation d’énergie est intégrée dans la fonction d’adaptation (fitness). Nous proposons une nouvelle stratégie de mutation qui réintroduit de manière stochastique des modules de couches, les modules plus efficaces sur le plan énergétique ayant une probabilité plus élevée d’être sélectionnés. Nous introduisons également une technique originale permettant d’entraîner deux modèles distincts en une seule étape d’entraînement, tout en favorisant qu’un des deux soit plus efficace sur le plan énergétique que l’autre, tout en maintenant une précision comparable. Les résultats montrent une réduction de la consommation énergétique des modèles ANN pouvant atteindre 29,2 %, sans dégradation significative de leurs performances prédictives.