パブロフ連想学習は、人間や動物の行動を形作る基本的な学習形式です。 ただし、「従来の」ANN でバックプロパゲーション法を使用したトレーニングは、特に最新のディープ ニューラル ネットワークでは、計算とエネルギーを大量に消費します。
光並列処理によるパブロフ学習に基づく新しい研究は、さまざまな AI タスクの刺激的な可能性を示しています。
からの科学者 オックスフォード大学の材料部門、 エクセター大学、およびMunsterは、電子プロセッサで実行される従来の機械学習アルゴリズムよりも最大1,000倍高速にデータセットの類似性を検出できるオンチップ光学プロセッサを開発しました。
連想モナディック学習要素 (AMLE) は、パターンを学習する記憶素材を使用して、データセット内の類似の特徴を関連付けます。これは、ニューラル ネットワークが好むバックプロパゲーションではなく、「一致」の場合にパブロフによって観察された条件付き反射をシミュレートします。チューニング」の結果です。
学習プロセスを監督するために、AMLE入力は適切な出力とペアになっており、光信号を使用して記憶材料をリセットできます。 わずか XNUMX 組の画像でトレーニングした後、AMLE がテストされ、猫の画像と猫以外の画像を区別できることがわかりました。
新しい光学チップが従来の電子チップよりも優れた性能を発揮するのは、設計上の XNUMX つの重要な違いによるものです。
- ニューロンと ニューラルネットワーク.
- 計算速度を上げるには、「波長分割多重」を使用して、単一チャネルの異なる波長で複数の光信号を送信します。
チップ技術は、光を使用してデータを送受信し、情報密度を最大化します。 さまざまな波長の複数の信号が同時に供給され、並列処理が行われるため、認識タスクの検出時間が短縮されます。 計算速度は波長ごとに上がります。
共著者であるミュンスター大学の Wolfram Pernice 教授は、次のように説明しています。 「このデバイスは、光を使用して並行してデータセットの類似点を自然にキャプチャし、全体的な計算速度を向上させます。これは、従来の電子チップの能力をはるかに超える可能性があります。」
現在復旦大学にいる共同筆頭著者のチェン・ゼングァン教授は、次のように述べています。 「データセット内の非常に複雑な特徴の実質的な分析を必要としない問題では、より効率的です。 多くの学習タスクはボリューム ベースであり、そのレベルの複雑さはありません。このような場合、連想学習はタスクをより迅速に、より低い計算コストで完了することができます。」
この研究を率いたハリッシュ・バスカラン教授は、 と, 「AI が人類の歴史の次の段階で目にする多くのイノベーションの中心になることはますます明らかになっています。 この作業は、特定のタイプのデータの関連付けをキャプチャする高速光学プロセッサの実現への道を開きます。 AI しかし、まだ多くのエキサイティングな課題が待ち構えています。」
ジャーナルリファレンス：
- James YS Tan、Zengguang Cheng、他バックプロパゲーションのないフォトニック ネットワークにおけるモナド パブロフ連想学習。 オプティカ 9、792-802（2022）。 土井: 10.1364 / OPTICA.455864
