L'apprendimento associativo pavloviano è una forma base di apprendimento che modella il comportamento di esseri umani e animali. Tuttavia, l'addestramento utilizzando il metodo di backpropagation sulle RNA "convenzionali", specialmente nelle moderne reti neurali profonde, è ad alta intensità di calcolo e di energia.
Una nuova ricerca basata sull'apprendimento pavloviano con elaborazione parallela ottica dimostra l'entusiasmante potenziale per vari compiti di intelligenza artificiale.
Gli scienziati di Oxford UniversityDipartimento dei Materiali, Università di Exetere Munster hanno sviluppato un processore ottico su chip in grado di rilevare somiglianze nei set di dati fino a 1,000 volte più velocemente rispetto agli algoritmi di apprendimento automatico convenzionali eseguiti su processori elettronici.
L'Associative Monadic Learning Element (AMLE) utilizza un materiale di memoria che apprende modelli per associare insieme caratteristiche simili nei set di dati, simulando il riflesso condizionale osservato da Pavlov nel caso di una "corrispondenza" piuttosto che la backpropagation preferita dalle reti neurali per "fine- tune” risultati.
Per supervisionare il processo di apprendimento, gli ingressi AMLE sono accoppiati con le uscite appropriate e il materiale di memoria può essere ripristinato tramite segnali luminosi. Dopo l'allenamento con solo cinque coppie di immagini, l'AMLE è stato testato e si è scoperto che distingueva tra immagini di gatto e non di gatto.
Le notevoli capacità prestazionali del nuovo chip ottico rispetto a un chip elettronico convenzionale sono dovute a due differenze chiave nel design:
- Un'architettura di rete unica che incorpora l'apprendimento associativo come elemento costitutivo piuttosto che utilizzare neuroni e a rete neurale.
- Per aumentare la velocità di calcolo, utilizzare il "multiplexing a divisione di lunghezza d'onda" per inviare più segnali ottici su diverse lunghezze d'onda su un singolo canale.
La tecnologia del chip utilizza la luce per trasmettere e ricevere dati per massimizzare la densità delle informazioni. Più segnali a varie lunghezze d'onda vengono forniti contemporaneamente per l'elaborazione parallela, accelerando i tempi di rilevamento delle attività di riconoscimento. La velocità di calcolo aumenta con ogni lunghezza d'onda.
Il professor Wolfram Pernice, coautore dell'Università di Münster, ha spiegato: "Il dispositivo cattura naturalmente le somiglianze nei set di dati mentre lo fa in parallelo utilizzando la luce per aumentare la velocità di calcolo complessiva, che può superare di gran lunga le capacità dei chip elettronici convenzionali".
Il co-primo autore, il professor Zengguang Cheng, ora alla Fudan University, ha dichiarato: “È più efficiente per problemi che non richiedono un'analisi sostanziale di caratteristiche altamente complesse nei set di dati. Molte attività di apprendimento sono basate sul volume e non hanno quel livello di complessità: in questi casi, l'apprendimento associativo può completare le attività più rapidamente e a un costo computazionale inferiore".
Il professor Harish Bhaskaran, che ha guidato lo studio, disse, “È sempre più evidente che l'IA sarà al centro di molte innovazioni a cui assisteremo nella prossima fase della storia umana. Questo lavoro apre la strada alla realizzazione di processori ottici veloci che acquisiscono associazioni di dati per particolari tipi di dati AI calcoli, anche se ci sono ancora molte sfide entusiasmanti da affrontare".
Riferimento della Gazzetta:
- James YS Tan, Zengguang Cheng, et al. Apprendimento associativo monadico pavloviano in una rete fotonica senza backpropagation. Optica 9, 792-802 (2022). DOI: 10.1364/OTTICA.455864
