El aprendizaje asociativo pavloviano es una forma básica de aprendizaje que da forma al comportamiento de humanos y animales. Sin embargo, el entrenamiento con el método de retropropagación en ANN "convencionales", especialmente en redes neuronales profundas modernas, requiere mucha energía y computación.
Una nueva investigación basada en el aprendizaje pavloviano con procesamiento paralelo óptico demuestra el emocionante potencial de varias tareas de IA.
Los científicos de Oxford UniversityDepartamento de Materiales, Universidades de Exeter, y Munster han desarrollado un procesador óptico en chip que puede detectar similitudes en conjuntos de datos hasta 1,000 veces más rápido que los algoritmos de aprendizaje automático convencionales que se ejecutan en procesadores electrónicos.
El elemento de aprendizaje monádico asociativo (AMLE) utiliza un material de memoria que aprende patrones para asociar características similares en conjuntos de datos, simulando el reflejo condicional observado por Pavlov en el caso de una "coincidencia" en lugar de la propagación hacia atrás preferida por las redes neuronales para "finar- sintonizar” resultados.
Para supervisar el proceso de aprendizaje, las entradas AMLE se emparejan con las salidas apropiadas y el material de la memoria se puede restablecer mediante señales luminosas. Después de entrenar con solo cinco pares de imágenes, se probó el AMLE y se descubrió que distingue entre las imágenes de un gato y las que no lo son.
Las considerables capacidades de rendimiento del nuevo chip óptico sobre un chip electrónico convencional se reducen a dos diferencias clave en el diseño:
- Una arquitectura de red única que incorpora el aprendizaje asociativo como elemento básico en lugar de utilizar neuronas y un red neural.
- Para aumentar la velocidad computacional, utilice la 'multiplexación por división de longitud de onda' para enviar múltiples señales ópticas en diferentes longitudes de onda en un solo canal.
La tecnología de chip emplea luz para transmitir y recibir datos para maximizar la densidad de información. Múltiples señales en varias longitudes de onda se suministran simultáneamente para procesamiento paralelo, lo que acelera los tiempos de detección de tareas de reconocimiento. La velocidad de cálculo aumenta con cada longitud de onda.
El profesor Wolfram Pernice, coautor de la Universidad de Münster, explicó: “El dispositivo captura naturalmente las similitudes en los conjuntos de datos mientras lo hace en paralelo utilizando luz para aumentar la velocidad de cálculo general, que puede superar con creces las capacidades de los chips electrónicos convencionales”.
El coautor, el profesor Zengguang Cheng, ahora en la Universidad de Fudan, dijo: “Es más eficiente para problemas que no necesitan un análisis sustancial de características muy complejas en los conjuntos de datos. Muchas tareas de aprendizaje se basan en el volumen y no tienen ese nivel de complejidad; en estos casos, el aprendizaje asociativo puede completar las tareas más rápidamente y con un menor costo computacional”.
El profesor Harish Bhaskaran, quien dirigió el estudio, dijo, “Cada vez es más evidente que la IA estará en el centro de muchas innovaciones que presenciaremos en la próxima fase de la historia humana. Este trabajo allana el camino hacia la realización de procesadores ópticos rápidos que capturan asociaciones de datos para tipos particulares de AI cálculos, aunque todavía quedan muchos desafíos emocionantes por delante”.
Referencia de la revista:
- James YS Tan, Zengguang Cheng, et al. Aprendizaje asociativo pavloviano monádico en una red fotónica libre de retropropagación. óptica 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
