পাভলোভিয়ান অ্যাসোসিয়েটিভ লার্নিং শেখার একটি মৌলিক রূপ যা মানুষ এবং প্রাণীদের আচরণকে আকার দেয়। যাইহোক, "প্রচলিত" ANN-এ ব্যাকপ্রোপগেশন পদ্ধতি ব্যবহার করে প্রশিক্ষণ, বিশেষ করে আধুনিক গভীর নিউরাল নেটওয়ার্কগুলিতে, গণনাগতভাবে এবং শক্তি নিবিড়।
অপটিক্যাল সমান্তরাল প্রক্রিয়াকরণের সাথে পাভলোভিয়ান শেখার উপর ভিত্তি করে নতুন গবেষণা বিভিন্ন এআই কাজের জন্য উত্তেজনাপূর্ণ সম্ভাবনা প্রদর্শন করে।
থেকে বিজ্ঞানীরা অক্সফোর্ড বিশ্ববিদ্যালয়এর উপকরণ বিভাগ, এক্সেটার বিশ্ববিদ্যালয়, এবং মুনস্টার একটি অন-চিপ অপটিক্যাল প্রসেসর তৈরি করেছে যা ইলেকট্রনিক প্রসেসরে চলমান প্রচলিত মেশিন লার্নিং অ্যালগরিদমগুলির তুলনায় 1,000 গুণ বেশি দ্রুত ডেটাসেটের মিল সনাক্ত করতে পারে।
অ্যাসোসিয়েটিভ মোনাডিক লার্নিং এলিমেন্ট (AMLE) একটি মেমরি উপাদান ব্যবহার করে যা ডেটাসেটের একই বৈশিষ্ট্যগুলিকে একত্রে সংযুক্ত করার জন্য প্যাটার্নগুলি শেখে, একটি "ম্যাচ" এর ক্ষেত্রে পাভলভ দ্বারা পর্যবেক্ষণ করা শর্তসাপেক্ষ প্রতিচ্ছবিকে অনুকরণ করে স্নায়ু নেটওয়ার্কগুলির দ্বারা পছন্দ করা ব্যাকপ্রোপগেশনের পরিবর্তে "সূক্ষ্ম- সুর" ফলাফল।
শেখার প্রক্রিয়া তদারকি করার জন্য, AMLE ইনপুটগুলি উপযুক্ত আউটপুটগুলির সাথে যুক্ত করা হয় এবং মেমরি উপাদানগুলি হালকা সংকেত ব্যবহার করে পুনরায় সেট করা যেতে পারে। মাত্র পাঁচ জোড়া ছবি দিয়ে প্রশিক্ষণের পর, AMLE পরীক্ষা করা হয়েছিল এবং একটি বিড়াল এবং অ-বিড়াল চিত্রের মধ্যে পার্থক্য করতে পাওয়া গেছে।
একটি প্রচলিত ইলেকট্রনিক চিপের উপর নতুন অপটিক্যাল চিপের উল্লেখযোগ্য কর্মক্ষমতার ক্ষমতাগুলি ডিজাইনের দুটি মূল পার্থক্যের নিচে রয়েছে:
- একটি অনন্য নেটওয়ার্ক আর্কিটেকচার যা নিউরন ব্যবহার না করে একটি বিল্ডিং ব্লক হিসাবে সহযোগী শিক্ষাকে অন্তর্ভুক্ত করে স্নায়বিক নেটওয়ার্ক.
- গণনাগত গতি বাড়াতে, একটি একক চ্যানেলে বিভিন্ন তরঙ্গদৈর্ঘ্যে একাধিক অপটিক্যাল সংকেত পাঠাতে 'তরঙ্গদৈর্ঘ্য-বিভাগ মাল্টিপ্লেক্সিং' ব্যবহার করুন।
চিপ প্রযুক্তি তথ্যের ঘনত্ব সর্বাধিক করার জন্য ডেটা প্রেরণ এবং গ্রহণ করার জন্য আলো নিযুক্ত করে। বিভিন্ন তরঙ্গদৈর্ঘ্যের একাধিক সংকেত সমান্তরাল প্রক্রিয়াকরণের জন্য একযোগে সরবরাহ করা হয়, স্বীকৃতি টাস্ক সনাক্তকরণের সময়কে ত্বরান্বিত করে। কম্পিউটিং গতি প্রতিটি তরঙ্গদৈর্ঘ্যের সাথে বৃদ্ধি পায়।
মুনস্টার ইউনিভার্সিটির সহ-লেখক অধ্যাপক ওলফ্রাম পার্নিস ব্যাখ্যা করেছেন: "সামগ্রিক গণনার গতি বাড়ানোর জন্য আলো ব্যবহার করে সমান্তরালভাবে এটি করার সময় ডিভাইসটি স্বাভাবিকভাবেই ডেটাসেটের মিলগুলি ক্যাপচার করে - যা প্রচলিত ইলেকট্রনিক চিপগুলির ক্ষমতাকে ছাড়িয়ে যেতে পারে।"
সহ-প্রথম লেখক অধ্যাপক জেংগুয়াং চেং, এখন ফুদান বিশ্ববিদ্যালয়ে, বলেছেন, "ডেটাসেটের অত্যন্ত জটিল বৈশিষ্ট্যগুলির যথেষ্ট বিশ্লেষণের প্রয়োজন নেই এমন সমস্যার জন্য এটি আরও কার্যকর। অনেক শেখার কাজগুলি ভলিউম ভিত্তিক এবং জটিলতার সেই স্তরের নেই - এই ক্ষেত্রে, সহযোগী শিক্ষা কাজগুলি আরও দ্রুত এবং কম কম্পিউটেশনাল খরচে সম্পূর্ণ করতে পারে।"
অধ্যাপক হরিশ ভাস্করন, যিনি গবেষণার নেতৃত্ব দেন, বলেছেন, “এটি ক্রমবর্ধমানভাবে স্পষ্ট যে AI অনেক উদ্ভাবনের কেন্দ্রে থাকবে যা আমরা মানব ইতিহাসের আসন্ন পর্বে প্রত্যক্ষ করব। এই কাজটি দ্রুত অপটিক্যাল প্রসেসর উপলব্ধির দিকে পথ প্রশস্ত করে যা নির্দিষ্ট ধরণের জন্য ডেটা অ্যাসোসিয়েশন ক্যাপচার করে AI গণনা, যদিও সামনে এখনও অনেক উত্তেজনাপূর্ণ চ্যালেঞ্জ রয়েছে।"
জার্নাল রেফারেন্স:
- জেমস ওয়াইএস ট্যান, জেংগুয়াং চেং, এবং অন্যান্য। ব্যাকপ্রপাগেশন-মুক্ত ফটোনিক নেটওয়ার্কে মোনাডিক পাভলোভিয়ান অ্যাসোসিয়েটিভ লার্নিং। অপটিক্যাল 9, 792-802 (2022)। DOI: 10.1364/OPTICA.455864
