למידה אסוציאטיבית פבלובית היא צורת למידה בסיסית המעצבת את התנהגותם של בני אדם ובעלי חיים. עם זאת, אימון בשיטת ההפצה האחורית על ANNs "קונבנציונליים", במיוחד ברשתות עצביות עמוקות מודרניות, הוא עתיר חישוב ואנרגיה.
מחקר חדש המבוסס על למידה פבלובית עם עיבוד מקביל אופטי מדגים את הפוטנציאל המרגש למשימות AI שונות.
מדענים מ אוניברסיטת אוקספורדמחלקת החומרים של אוניברסיטאות אקסטר, ומונסטר פיתחו מעבד אופטי על-שבב שיכול לזהות קווי דמיון במערך נתונים מהר עד פי 1,000 מאלגוריתמים רגילים של למידת מכונה הפועלים על מעבדים אלקטרוניים.
ה-Associative Monadic Learning Element (AMLE) משתמש בחומר זיכרון הלומד דפוסים כדי לשייך יחד תכונות דומות במערכי נתונים, המדמה את הרפלקס המותנה שנצפה על ידי פבלוב במקרה של "התאמה" ולא התפשטות לאחור המועדפת על ידי רשתות עצביות כדי "דק- מנגנון" תוצאות.
כדי לפקח על תהליך הלמידה, כניסות ה-AMLE משויכות ליציאות המתאימות, וניתן לאפס את חומר הזיכרון באמצעות אותות אור. לאחר אימון עם חמישה זוגות בלבד של תמונות, ה-AMLE נבדק ונמצא מבחין בין תמונות של חתול לבין תמונות שאינן חתולים.
יכולות הביצועים הניכרות של השבב האופטי החדש על פני שבב אלקטרוני רגיל נובעות משני הבדלים מרכזיים בעיצוב:
- ארכיטקטורת רשת ייחודית המשלבת למידה אסוציאטיבית כאבן בניין ולא באמצעות נוירונים וא רשת עצבית.
- כדי להגביר את מהירות החישוב, השתמש ב'ריבוי חלוקת אורך גל' כדי לשלוח אותות אופטיים מרובים באורכי גל שונים בערוץ בודד.
טכנולוגיית השבבים משתמשת באור כדי לשדר ולקבל נתונים כדי למקסם את צפיפות המידע. אותות מרובים באורכי גל שונים מסופקים בו זמנית לעיבוד מקביל, להאצת זמני זיהוי משימות זיהוי. מהירות המחשוב עולה עם כל אורך גל.
פרופסור וולפרם פרניס, מחבר שותף מאוניברסיטת מינסטר, הסביר: "המכשיר לוכד באופן טבעי קווי דמיון במערך נתונים תוך שהוא עושה זאת במקביל תוך שימוש באור כדי להגביר את מהירות החישוב הכוללת - שיכולה לעלות בהרבה על היכולות של שבבים אלקטרוניים רגילים."
הסופר הראשון, פרופסור זנגגואנג צ'נג, כיום באוניברסיטת פודן, אמר: "זה יעיל יותר לבעיות שאינן מצריכות ניתוח מהותי של תכונות מורכבות מאוד במערך הנתונים. משימות למידה רבות מבוססות על נפח ואין להן רמת מורכבות כזו - במקרים אלו, למידה אסוציאטיבית יכולה להשלים את המשימות מהר יותר ובעלות חישובית נמוכה יותר".
פרופסור חריש בהסקרן, שהוביל את המחקר, אמר, "זה יותר ויותר ברור שבינה מלאכותית תעמוד במרכזם של חידושים רבים שנראה בשלב הקרוב של ההיסטוריה האנושית. עבודה זו סוללת את הדרך למימוש מעבדים אופטיים מהירים הלוכדים אסוציאציות של נתונים עבור סוגים מסוימים של AI חישובים, למרות שעדיין עומדים בפני אתגרים רבים ומלהיבים".
עיון ביומן:
- James YS Tan, Zengguang Cheng, et al. למידה אסוציאטיבית פבלובית מונאדית ברשת פוטונית נטולת התפשטות חוזרת. אופטיקה 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
