L'apprentissage associatif pavlovien est une forme d'apprentissage de base qui façonne le comportement des humains et des animaux. Cependant, la formation utilisant la méthode de rétropropagation sur les RNA "conventionnels", en particulier dans les réseaux de neurones profonds modernes, est gourmande en calculs et en énergie.
De nouvelles recherches basées sur l'apprentissage pavlovien avec traitement parallèle optique démontrent le potentiel passionnant de diverses tâches d'IA.
Les scientifiques de Oxford UniversityDépartement des matériaux de , Universités d'Exeter, et Munster ont développé un processeur optique sur puce capable de détecter des similitudes dans des ensembles de données jusqu'à 1,000 XNUMX fois plus rapidement que les algorithmes d'apprentissage automatique conventionnels exécutés sur des processeurs électroniques.
L'élément d'apprentissage monadique associatif (AMLE) utilise un matériel de mémoire qui apprend des modèles pour associer des caractéristiques similaires dans des ensembles de données, simulant le réflexe conditionnel observé par Pavlov dans le cas d'une « correspondance » plutôt que la rétropropagation préférée par les réseaux de neurones pour « affiner- accorder les résultats.
Pour superviser le processus d'apprentissage, les entrées AMLE sont couplées avec les sorties appropriées et le matériel de mémoire peut être réinitialisé à l'aide de signaux lumineux. Après un entraînement avec seulement cinq paires d'images, l'AMLE a été testé et s'est avéré capable de faire la distinction entre un chat et des images non-chat.
Les capacités de performance considérables de la nouvelle puce optique par rapport à une puce électronique conventionnelle sont dues à deux différences essentielles de conception :
- Une architecture de réseau unique incorporant l'apprentissage associatif comme élément de base plutôt que d'utiliser des neurones et un Réseau neuronal.
- Pour augmenter la vitesse de calcul, utilisez le "multiplexage par répartition en longueur d'onde" pour envoyer plusieurs signaux optiques sur différentes longueurs d'onde sur un seul canal.
La technologie des puces utilise la lumière pour transmettre et recevoir des données afin de maximiser la densité d'informations. Plusieurs signaux à différentes longueurs d'onde sont fournis simultanément pour un traitement parallèle, ce qui accélère les temps de détection des tâches de reconnaissance. La vitesse de calcul augmente avec chaque longueur d'onde.
Le professeur Wolfram Pernice, co-auteur de l'Université de Münster, a expliqué : "L'appareil capture naturellement les similitudes dans les ensembles de données tout en le faisant en parallèle en utilisant la lumière pour augmenter la vitesse de calcul globale - qui peut dépasser de loin les capacités des puces électroniques conventionnelles."
Le co-premier auteur, le professeur Zengguang Cheng, maintenant à l'Université de Fudan, a déclaré : « Il est plus efficace pour les problèmes qui ne nécessitent pas une analyse substantielle des caractéristiques très complexes des ensembles de données. De nombreuses tâches d'apprentissage sont basées sur le volume et n'ont pas ce niveau de complexité - dans ces cas, l'apprentissage associatif peut accomplir les tâches plus rapidement et à un coût de calcul inférieur.
Le professeur Harish Bhaskaran, qui a dirigé l'étude, a affirmé Valérie Plante., « Il est de plus en plus évident que l'IA sera au centre de nombreuses innovations dont nous serons témoins dans la phase à venir de l'histoire humaine. Ce travail ouvre la voie à la réalisation de processeurs optiques rapides qui capturent des associations de données pour des types particuliers de AI calculs, même s'il reste encore de nombreux défis passionnants à relever.
Journal de référence:
- James YS Tan, Zengguang Cheng, et al. Apprentissage associatif monadique pavlovien dans un réseau photonique sans rétropropagation. Optica 9, 792-802 (2022). EST CE QUE JE: 10.1364/OPTIQUE.455864
