Pembelajaran asosiatif Pavlov adalah bentuk dasar pembelajaran yang membentuk perilaku manusia dan hewan. Namun, pelatihan menggunakan metode backpropagation pada JST “konvensional”, terutama di jaringan saraf dalam modern, membutuhkan komputasi dan energi yang intensif.
Penelitian baru berdasarkan pembelajaran Pavlov dengan pemrosesan paralel optik menunjukkan potensi menarik untuk berbagai tugas AI.
Ilmuwan dari Oxford UniversityDepartemen Bahan, Universitas Exeter, dan Munster telah mengembangkan prosesor optik on-chip yang dapat mendeteksi kesamaan dalam kumpulan data hingga 1,000 kali lebih cepat daripada algoritme pembelajaran mesin konvensional yang berjalan pada prosesor elektronik.
Elemen Pembelajaran Monadik Asosiatif (AMLE) menggunakan materi memori yang mempelajari pola untuk mengasosiasikan fitur serupa dalam kumpulan data, mensimulasikan refleks bersyarat yang diamati oleh Pavlov dalam kasus "kecocokan" daripada propagasi balik yang disukai oleh jaringan saraf untuk "haluskan". menyetel” hasil.
Untuk mengawasi proses pembelajaran, input AMLE dipasangkan dengan output yang sesuai, dan materi memori dapat diatur ulang menggunakan sinyal cahaya. Setelah pelatihan dengan hanya lima pasang gambar, AMLE diuji dan ditemukan untuk membedakan antara gambar kucing dan non-kucing.
Kemampuan kinerja yang cukup besar dari chip optik baru di atas chip elektronik konvensional disebabkan oleh dua perbedaan utama dalam desain:
- Sebuah arsitektur jaringan yang unik menggabungkan pembelajaran asosiatif sebagai blok bangunan daripada menggunakan neuron dan a saraf jaringan.
- Untuk meningkatkan kecepatan komputasi, gunakan 'multiplexing pembagian panjang gelombang' untuk mengirim beberapa sinyal optik pada panjang gelombang yang berbeda pada satu saluran.
Teknologi chip menggunakan cahaya untuk mengirim dan menerima data untuk memaksimalkan kepadatan informasi. Beberapa sinyal pada berbagai panjang gelombang diberikan secara bersamaan untuk pemrosesan paralel, mempercepat waktu deteksi tugas pengenalan. Kecepatan komputasi meningkat dengan setiap panjang gelombang.
Profesor Wolfram Pernice, rekan penulis dari Universitas Münster, menjelaskan: “Perangkat secara alami menangkap kesamaan dalam kumpulan data saat melakukannya secara paralel menggunakan cahaya untuk meningkatkan kecepatan komputasi secara keseluruhan – yang jauh melebihi kemampuan chip elektronik konvensional.”
Rekan penulis pertama Profesor Zenguang Cheng, sekarang di Universitas Fudan, mengatakan, “Ini lebih efisien untuk masalah yang tidak memerlukan analisis substansial dari fitur yang sangat kompleks dalam kumpulan data. Banyak tugas pembelajaran berbasis volume dan tidak memiliki tingkat kerumitan seperti itu – dalam kasus ini, pembelajaran asosiatif dapat menyelesaikan tugas lebih cepat dan dengan biaya komputasi yang lebih rendah.”
Profesor Harish Bhaskaran, yang memimpin penelitian ini, tersebut, “Semakin jelas bahwa AI akan menjadi pusat dari banyak inovasi yang akan kita saksikan dalam fase sejarah manusia yang akan datang. Pekerjaan ini membuka jalan untuk mewujudkan prosesor optik cepat yang menangkap asosiasi data untuk jenis tertentu AI komputasi, meskipun masih ada banyak tantangan menarik di depan.
Referensi Jurnal:
- James YS Tan, Zenguang Cheng, dkk. Pembelajaran asosiatif Monadik Pavlov dalam jaringan fotonik bebas propagasi balik. Optica 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
