Исследователи из отдела материалов Оксфордского университета в сотрудничестве с коллегами из Эксетера и Мюнстера разработали встроенный оптический процессор, способный обнаруживать сходство в наборах данных до 1000 раз быстрее, чем обычные алгоритмы машинного обучения, работающие на электронных процессорах.
Новое исследование, опубликованное в Optica , было вдохновлено открытием лауреата Нобелевской премии Иваном Павловым классической обусловленности. В своих экспериментах Павлов обнаружил, что при предоставлении другого стимула во время кормления, такого как звук колокольчика или метронома, его собаки начинали связывать два события и выделяли слюну только при одном звуке. Повторяющиеся ассоциации двух не связанных друг с другом событий, соединенных вместе, могут вызвать заученную реакцию — условный рефлекс.
Соавтор, доктор Джеймс Тан Ю Сиан, который выполнил эту работу в рамках своей докторской диссертации на факультете материалов Оксфордского университета, сказал: «Павловское ассоциативное обучение считается базовой формой обучения, которая формирует поведение людей. и животных, но внедрение в системы ИИ в значительной степени неслыханно. Наше исследование павловского обучения в тандеме с оптической параллельной обработкой демонстрирует захватывающий потенциал для множества задач ИИ».
Нейронные сети, используемые в большинстве систем искусственного интеллекта, часто требуют значительного количества примеров данных в процессе обучения — для обучения модели надежному распознаванию кошки может использоваться до 10 000 изображений кошек и других животных — при затратах на вычисления и обработку.
Вместо того, чтобы полагаться на обратное распространение, предпочитаемое нейронными сетями для «точной настройки» результатов, Ассоциативный монадический элемент обучения (AMLE) использует материал памяти, который изучает шаблоны, чтобы связать вместе сходные функции в наборах данных, имитируя условный рефлекс, наблюдаемый Павловым.
Входы AMLE соединены с правильными выходами для наблюдения за процессом обучения, а материал памяти может быть сброшен с помощью световых сигналов. При тестировании AMLE мог правильно идентифицировать изображения кошек и не кошек после обучения всего на пяти парах изображений.
Значительные возможности нового оптического чипа по сравнению с обычным электронным чипом обусловлены двумя ключевыми отличиями в конструкции:
— Уникальная сетевая архитектура, включающая ассоциативное обучение в качестве строительного блока, а не использование нейронов и нейронной сети.
— Использование «мультиплексирования с разделением по длине волны» для отправки нескольких оптических сигналов на разных длинах волн по одному каналу для увеличения скорости вычислений.
Аппаратное обеспечение чипа использует свет для отправки и извлечения данных, чтобы максимально увеличить плотность информации — несколько сигналов на разных длинах волн отправляются одновременно для параллельной обработки , что увеличивает скорость обнаружения задач распознавания. Каждая длина волны увеличивает скорость вычислений.
Профессор Вольфрам Пернис, соавтор из Мюнстерского университета, объяснил: «Устройство естественным образом фиксирует сходство в наборах данных, делая это параллельно, используя свет для увеличения общей скорости вычислений, которая может намного превышать возможности обычных электронных чипов».
Ассоциативный подход к обучению может дополнить нейронные сети, а не заменить их, пояснил соавтор исследования профессор Цзэнгуан Ченг, который сейчас работает в Фуданьском университете.
«Это более эффективно для задач, которые не требуют существенного анализа очень сложных функций в наборах данных», — сказал профессор Ченг. «Многие учебные задачи основаны на объемах и не имеют такого уровня сложности — в этих случаях ассоциативное обучение может выполнять задачи быстрее и с меньшими вычислительными затратами».
«Становится все более очевидным, что ИИ будет находиться в центре многих инноваций, которые мы увидим на грядущем этапе истории человечества. Эта работа прокладывает путь к реализации быстрых оптических процессоров, которые фиксируют ассоциации данных для определенных типов вычислений ИИ, хотя существуют впереди еще много захватывающих задач», — сказал профессор Хариш Бхаскаран, руководивший исследованием.
Дополнительная информация: Джеймс Ю. С. Тан и др., Монадическое павловское ассоциативное обучение в фотонной сети без обратного распространения ошибки, Optica (2022). DOI: 10.1364/ОПТИКА.455864
Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК
Бесплатная служба распространения новостей для научных организаций и стартапов
hello@technovery.com