التعلم النقابي بافلوفيان هو شكل أساسي من أشكال التعلم الذي يشكل سلوك البشر والحيوانات. ومع ذلك ، فإن التدريب باستخدام طريقة backpropagation على شبكات ANN "التقليدية" ، خاصة في الشبكات العصبية العميقة الحديثة ، هو حسابي ويستهلك الكثير من الطاقة.
يوضح البحث الجديد القائم على التعلم بافلوفيان مع المعالجة البصرية المتوازية الإمكانات المثيرة لمختلف مهام الذكاء الاصطناعي.
العلماء من جامعة أكسفوردقسم المواد جامعات اكستر، و Munster معالجًا ضوئيًا على الرقاقة يمكنه اكتشاف أوجه التشابه في مجموعات البيانات بسرعة تصل إلى 1,000 مرة أسرع من خوارزميات التعلم الآلي التقليدية التي تعمل على المعالجات الإلكترونية.
يستخدم عنصر التعلم الأحادي الترابطي (AMLE) مادة ذاكرة تتعلم الأنماط لربط الميزات المتشابهة معًا في مجموعات البيانات ، ومحاكاة المنعكس الشرطي الذي لاحظه بافلوف في حالة "المطابقة" بدلاً من الانتشار العكسي الذي تفضله الشبكات العصبية لـ "دقة- ضبط "النتائج.
للإشراف على عملية التعلم ، يتم إقران مدخلات AMLE بالمخرجات المناسبة ، ويمكن إعادة ضبط مادة الذاكرة باستخدام الإشارات الضوئية. بعد التدريب بخمسة أزواج فقط من الصور ، تم اختبار AMLE ووجد أنه يميز بين صور القطط وغير القطط.
تنخفض قدرات الأداء الكبيرة للشريحة الضوئية الجديدة على الشريحة الإلكترونية التقليدية إلى اختلافين رئيسيين في التصميم:
- بنية شبكة فريدة تتضمن التعلم النقابي باعتباره لبنة بناء بدلاً من استخدام الخلايا العصبية و a الشبكة العصبية.
- لزيادة السرعة الحسابية ، استخدم "مضاعفة تقسيم الطول الموجي" لإرسال إشارات ضوئية متعددة بأطوال موجية مختلفة على قناة واحدة.
تستخدم تقنية الرقاقة الضوء لإرسال واستقبال البيانات لزيادة كثافة المعلومات. يتم توفير إشارات متعددة بأطوال موجية مختلفة في وقت واحد للمعالجة المتوازية ، مما يؤدي إلى تسريع أوقات اكتشاف مهمة التعرف. تزداد سرعة الحوسبة مع كل طول موجي.
أوضح البروفيسور ولفرام بيرنيس ، المؤلف المشارك من جامعة مونستر: "يلتقط الجهاز بشكل طبيعي أوجه التشابه في مجموعات البيانات أثناء القيام بذلك بالتوازي باستخدام الضوء لزيادة سرعة الحساب الإجمالية - والتي يمكن أن تتجاوز بكثير قدرات الرقائق الإلكترونية التقليدية."
قال المؤلف المشارك الأول الأستاذ Zengguang Cheng ، الذي يعمل حاليًا في جامعة Fudan ، "إنه أكثر فاعلية للمشكلات التي لا تحتاج إلى تحليل جوهري للميزات شديدة التعقيد في مجموعات البيانات. تعتمد العديد من مهام التعلم على الحجم ولا تتمتع بهذا المستوى من التعقيد - في هذه الحالات ، يمكن للتعلم النقابي إكمال المهام بسرعة أكبر وبتكلفة حسابية أقل ".
البروفيسور هاريش باسكاران الذي قاد الدراسة ، محمد, "من الواضح بشكل متزايد أن الذكاء الاصطناعي سيكون في قلب العديد من الابتكارات التي سنشهدها في المرحلة القادمة من تاريخ البشرية. يمهد هذا العمل الطريق نحو تحقيق معالجات بصرية سريعة تلتقط جمعيات البيانات لأنواع معينة من ملفات AI الحسابات ، على الرغم من أنه لا يزال هناك العديد من التحديات المثيرة في المستقبل ".
المرجع مجلة:
- جيمس واي إس تان ، زينجوانج تشينج ، وآخرون. التعلم النقابي Monadic Pavlovian في شبكة فوتونية خالية من الانتشار العكسي. بصريات 9 ، 792-802 (2022). DOI: 10.1364 / OPTICA.455864
