Η παβλοβιανή συνειρμική μάθηση είναι μια βασική μορφή μάθησης που διαμορφώνει τη συμπεριφορά των ανθρώπων και των ζώων. Ωστόσο, η εκπαίδευση με τη χρήση της μεθόδου backpropagation σε «συμβατικά» ANN, ειδικά σε σύγχρονα βαθιά νευρωνικά δίκτυα, είναι υπολογιστικά και ενεργοβόρα.
Νέα έρευνα που βασίζεται στην μάθηση του Παβλόβιου με οπτική παράλληλη επεξεργασία καταδεικνύει τις συναρπαστικές δυνατότητες για διάφορες εργασίες τεχνητής νοημοσύνης.
Επιστήμονες από το Oxford Universityτου Τμήματος Υλικών, Πανεπιστήμια του Έξετερ, και η Munster έχουν αναπτύξει έναν οπτικό επεξεργαστή on-chip που μπορεί να ανιχνεύσει ομοιότητες σε σύνολα δεδομένων έως και 1,000 φορές πιο γρήγορα από τους συμβατικούς αλγόριθμους μηχανικής εκμάθησης που εκτελούνται σε ηλεκτρονικούς επεξεργαστές.
Το Associative Monadic Learning Element (AMLE) χρησιμοποιεί ένα υλικό μνήμης που μαθαίνει μοτίβα για να συσχετίσει παρόμοια χαρακτηριστικά σε σύνολα δεδομένων, προσομοιώνοντας το αντανακλαστικό υπό όρους που παρατηρήθηκε από τον Pavlov στην περίπτωση ενός «ταιριάσματος» αντί της οπισθοδιάδοσης που προτιμούν τα νευρωνικά δίκτυα σε «λεπτή συντονισμός» των αποτελεσμάτων.
Για την επίβλεψη της διαδικασίας εκμάθησης, οι είσοδοι AMLE συνδυάζονται με τις κατάλληλες εξόδους και το υλικό της μνήμης μπορεί να μηδενιστεί χρησιμοποιώντας φωτεινά σήματα. Μετά από εκπαίδευση με μόλις πέντε ζεύγη εικόνων, το AMLE δοκιμάστηκε και βρέθηκε να διακρίνει μεταξύ εικόνων γάτας και μη.
Οι σημαντικές δυνατότητες απόδοσης του νέου οπτικού τσιπ σε σχέση με ένα συμβατικό ηλεκτρονικό τσιπ οφείλονται σε δύο βασικές διαφορές στο σχεδιασμό:
- Μια μοναδική αρχιτεκτονική δικτύου που ενσωματώνει τη συνειρμική μάθηση ως δομικό στοιχείο αντί να χρησιμοποιεί νευρώνες και α νευρικό σύστημα.
- Για να αυξήσετε την υπολογιστική ταχύτητα, χρησιμοποιήστε «πολπλεξία διαίρεσης μήκους κύματος» για να στείλετε πολλαπλά οπτικά σήματα σε διαφορετικά μήκη κύματος σε ένα μόνο κανάλι.
Η τεχνολογία τσιπ χρησιμοποιεί φως για τη μετάδοση και λήψη δεδομένων για τη μεγιστοποίηση της πυκνότητας πληροφοριών. Πολλαπλά σήματα σε διάφορα μήκη κύματος παρέχονται ταυτόχρονα για παράλληλη επεξεργασία, επιταχύνοντας τους χρόνους ανίχνευσης εργασιών αναγνώρισης. Η υπολογιστική ταχύτητα αυξάνεται με κάθε μήκος κύματος.
Ο καθηγητής Wolfram Pernice, συν-συγγραφέας από το Πανεπιστήμιο του Münster, εξήγησε: «Η συσκευή καταγράφει φυσικά ομοιότητες στα σύνολα δεδομένων ενώ το κάνει παράλληλα χρησιμοποιώντας φως για να αυξήσει τη συνολική ταχύτητα υπολογισμού – η οποία μπορεί να υπερβεί κατά πολύ τις δυνατότητες των συμβατικών ηλεκτρονικών τσιπ».
Ο συν-πρώτος συγγραφέας καθηγητής Zengguang Cheng, τώρα στο Πανεπιστήμιο Fudan, είπε: «Είναι πιο αποτελεσματικό για προβλήματα που δεν χρειάζονται ουσιαστική ανάλυση πολύ περίπλοκων χαρακτηριστικών στα σύνολα δεδομένων. Πολλές μαθησιακές εργασίες βασίζονται σε όγκο και δεν έχουν αυτό το επίπεδο πολυπλοκότητας – σε αυτές τις περιπτώσεις, η συνειρμική μάθηση μπορεί να ολοκληρώσει τις εργασίες πιο γρήγορα και με χαμηλότερο υπολογιστικό κόστος».
Ο καθηγητής Harish Bhaskaran, ο οποίος ηγήθηκε της μελέτης, είπε, «Είναι όλο και πιο προφανές ότι η τεχνητή νοημοσύνη θα βρίσκεται στο επίκεντρο πολλών καινοτομιών που θα δούμε στην επόμενη φάση της ανθρώπινης ιστορίας. Αυτή η εργασία ανοίγει το δρόμο για την υλοποίηση γρήγορων οπτικών επεξεργαστών που καταγράφουν συσχετίσεις δεδομένων για συγκεκριμένους τύπους AI υπολογισμούς, αν και υπάρχουν ακόμη πολλές συναρπαστικές προκλήσεις μπροστά μας».
Αναφορά στο περιοδικό:
- James YS Tan, Zengguang Cheng, et al. Μοναδική Παβλοβιανή συνειρμική μάθηση σε ένα φωτονικό δίκτυο χωρίς οπίσθια διάδοση. Optica 9, 792-802 (2022). DOI: 10.1364/optica.455864
