Pavlovilainen assosiatiivinen oppiminen on oppimisen perusmuoto, joka muokkaa ihmisten ja eläinten käyttäytymistä. Kuitenkin koulutus backpropagation menetelmällä "tavanomaisilla" ANN:illa, erityisesti nykyaikaisissa syvähermoverkoissa, on laskennallisesti ja energiaintensiivistä.
Uusi pavlovilaiseen oppimiseen ja optiseen rinnakkaiskäsittelyyn perustuva tutkimus osoittaa jännittävän potentiaalin erilaisissa tekoälytehtävissä.
Tutkijat Oxford Universitymateriaaliosasto, Exeterin yliopistot, ja Munster ovat kehittäneet on-chip optisen prosessorin, joka voi havaita yhtäläisyydet tietojoukoissa jopa 1,000 kertaa nopeammin kuin perinteiset koneoppimisalgoritmit, jotka toimivat elektronisissa prosessoreissa.
Associative Monadic Learning Element (AMLE) käyttää muistimateriaalia, joka oppii kuvioita yhdistämään samanlaisia piirteitä tietojoukoissa, simuloimalla Pavlovin havaitsemaa ehdollista refleksiä "sovituksen" tapauksessa sen sijaan, että neuroverkkojen valitsema takaisineteneminen "hieno- virittää” tuloksia.
Oppimisprosessin valvomiseksi AMLE-tulot yhdistetään sopiviin lähtöihin ja muistimateriaali voidaan nollata valosignaaleilla. Harjoiteltuaan vain viidellä kuvaparilla AMLE testattiin ja sen havaittiin erottavan kissan ja ei-kissan kuvat.
Uuden optisen sirun huomattava suorituskyky tavanomaiseen elektroniseen siruun verrattuna johtuu kahdesta keskeisestä suunnitteluerosta:
- Ainutlaatuinen verkkoarkkitehtuuri, joka sisältää assosiatiivisen oppimisen rakennuspalikkana hermosolujen ja a neuroverkkomallien.
- Laskennan nopeuden lisäämiseksi käytä "aallonpituusjakoista multipleksointia" useiden optisten signaalien lähettämiseen eri aallonpituuksilla yhdellä kanavalla.
Siruteknologia käyttää valoa tiedon lähettämiseen ja vastaanottamiseen tiedon tiheyden maksimoimiseksi. Useita signaaleja eri aallonpituuksilla syötetään samanaikaisesti rinnakkaiskäsittelyä varten, mikä nopeuttaa tunnistustehtävän havaitsemisaikoja. Laskentanopeus kasvaa jokaisen aallonpituuden myötä.
Professori Wolfram Pernice, toinen kirjoittaja Münsterin yliopistosta, selitti: "Laite luonnollisesti vangitsee yhtäläisyydet tietosarjoissa samalla kun se tekee sen rinnakkain käyttämällä valoa yleisen laskentanopeuden lisäämiseksi - mikä voi huomattavasti ylittää perinteisten elektronisten sirujen ominaisuudet."
Toinen kirjoittaja, professori Zengguang Cheng, joka työskentelee nyt Fudanin yliopistossa, sanoi: ”Se on tehokkaampi ongelmissa, jotka eivät vaadi perusteellista analysointia tietojoukkojen erittäin monimutkaisista piirteistä. Monet oppimistehtävät ovat volyymipohjaisia, eivätkä ne ole niin monimutkaisia – näissä tapauksissa assosiatiivisella oppimisella voidaan suorittaa tehtävät nopeammin ja pienemmillä laskentakustannuksilla.
Professori Harish Bhaskaran, joka johti tutkimusta, sanoi, ”On yhä selvempää, että tekoäly on monien innovaatioiden keskipisteessä, joita tulemme todistamaan ihmiskunnan historian tulevassa vaiheessa. Tämä työ tasoittaa tietä nopeiden optisten prosessorien toteuttamiselle, jotka tallentavat tietoassosiaatioita tietyntyyppisille kohteille AI laskelmia, vaikka monia jännittäviä haasteita on vielä edessä."
Lehden viite:
- James YS Tan, Zengguang Cheng et ai. Monadinen pavlovilainen assosiatiivinen oppiminen takaisin leviämisestä vapaassa fotoniverkossa. optica 9, 792-802 (2022). DOI: 10.1364/OPTIA.455864
