یادگیری تداعی پاولوی شکلی اساسی از یادگیری است که رفتار انسان ها و حیوانات را شکل می دهد. با این حال، آموزش با استفاده از روش انتشار پس‌انداز بر روی شبکه‌های عصبی مصنوعی معمولی، به ویژه در شبکه‌های عصبی عمیق مدرن، محاسباتی و انرژی بر است.
تحقیقات جدید مبتنی بر یادگیری پاولوی با پردازش موازی نوری پتانسیل هیجان انگیزی را برای وظایف مختلف هوش مصنوعی نشان می دهد.
دانشمندان از دانشگاه آکسفورددپارتمان مواد، دانشگاه های اکسترو Munster یک پردازنده نوری روی تراشه توسعه داده‌اند که می‌تواند شباهت‌ها را در مجموعه داده‌ها تا 1,000 برابر سریعتر از الگوریتم‌های یادگیری ماشین معمولی که روی پردازنده‌های الکترونیکی اجرا می‌شوند، شناسایی کند.
عنصر یادگیری مونادیک انجمنی (AMLE) از یک ماده حافظه استفاده می کند که الگوها را می آموزد تا ویژگی های مشابه در مجموعه داده ها را با هم مرتبط کند، و بازتاب شرطی مشاهده شده توسط پاولوف را در مورد "تطابق" به جای انتشار پس انداز ترجیح داده شده توسط شبکه های عصبی به "ریز-ریز" شبیه سازی می کند. لحن» نتایج.
برای نظارت بر فرآیند یادگیری، ورودی‌های AMLE با خروجی‌های مناسب جفت می‌شوند و مواد حافظه را می‌توان با استفاده از سیگنال‌های نوری تنظیم مجدد کرد. پس از آموزش تنها با پنج جفت تصویر، AMLE مورد آزمایش قرار گرفت و مشخص شد که بین تصاویر گربه و غیرگربه تمایز قائل شد.
قابلیت های عملکرد قابل توجه تراشه نوری جدید نسبت به یک تراشه الکترونیکی معمولی به دو تفاوت اصلی در طراحی مربوط می شود:
- یک معماری شبکه منحصر به فرد که شامل یادگیری تداعی به عنوان یک بلوک ساختمانی به جای استفاده از نورون ها و a شبکه های عصبی.
- برای افزایش سرعت محاسباتی، از «مالتی پلکسی تقسیم طول موج» برای ارسال چندین سیگنال نوری در طول موج های مختلف در یک کانال استفاده کنید.
فناوری تراشه از نور برای انتقال و دریافت داده ها برای به حداکثر رساندن تراکم اطلاعات استفاده می کند. سیگنال های متعدد در طول موج های مختلف به طور همزمان برای پردازش موازی عرضه می شوند و زمان تشخیص کار شناسایی را تسریع می کنند. سرعت محاسبات با هر طول موج افزایش می یابد.
پروفسور ولفرام پرنیس، یکی از نویسندگان دانشگاه مونستر، توضیح داد: این دستگاه به طور طبیعی شباهت هایی را در مجموعه داده ها ثبت می کند در حالی که این کار را به طور موازی با استفاده از نور برای افزایش سرعت محاسبات کلی انجام می دهد - که می تواند بسیار بیشتر از قابلیت های تراشه های الکترونیکی معمولی باشد.
نویسنده اول پروفسور Zengguang Cheng که اکنون در دانشگاه فودان است، گفت: برای مشکلاتی که نیازی به تجزیه و تحلیل اساسی از ویژگی های بسیار پیچیده در مجموعه داده ها ندارند، کارآمدتر است. بسیاری از وظایف یادگیری بر اساس حجم هستند و آن سطح از پیچیدگی را ندارند - در این موارد، یادگیری انجمنی می‌تواند کارها را سریعتر و با هزینه محاسباتی کمتر تکمیل کند.
پروفسور هاریش باسکاران، که این مطالعه را رهبری کرد، گفت:, به طور فزاینده‌ای بدیهی است که هوش مصنوعی در مرکز بسیاری از نوآوری‌هایی قرار خواهد گرفت که در مرحله آینده تاریخ بشر شاهد آن خواهیم بود. این کار راه را برای تحقق پردازشگرهای نوری سریع که ارتباط داده‌ها را برای انواع خاصی از آنها ضبط می‌کند هموار می‌کند AI محاسبات، اگرچه هنوز چالش های هیجان انگیز زیادی در پیش است.»
مرجع مجله:
- جیمز YS تان، Zengguang چنگ، و همکاران. یادگیری انجمنی مونادیک پاولووی در یک شبکه فوتونیک بدون پس انتشار اپتیکا 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
