A aprendizagem associativa pavloviana é uma forma básica de aprendizagem que molda o comportamento de humanos e animais. No entanto, o treinamento usando o método de retropropagação em RNAs “convencionais”, especialmente em redes neurais profundas modernas, consome muita energia e computação.
Novas pesquisas baseadas no aprendizado pavloviano com processamento paralelo óptico demonstram o potencial empolgante para várias tarefas de IA.
Cientistas de Oxford UniversityDepartamento de Materiais, Universidades de Exeter, e Munster desenvolveram um processador óptico no chip que pode detectar semelhanças em conjuntos de dados até 1,000 vezes mais rápido do que algoritmos convencionais de aprendizado de máquina executados em processadores eletrônicos.
O Associative Monadic Learning Element (AMLE) usa um material de memória que aprende padrões para associar características semelhantes em conjuntos de dados, simulando o reflexo condicional observado por Pavlov no caso de uma “correspondência” em vez da retropropagação preferida pelas redes neurais para “refinar”. afinar” resultados.
Para supervisionar o processo de aprendizado, as entradas AMLE são pareadas com as saídas apropriadas e o material de memória pode ser redefinido usando sinais de luz. Após o treinamento com apenas cinco pares de imagens, o AMLE foi testado e descobriu-se que distingue entre imagens de gatos e não-gatos.
As consideráveis capacidades de desempenho do novo chip óptico em relação a um chip eletrônico convencional se resumem a duas diferenças principais no design:
- Uma arquitetura de rede única incorporando aprendizagem associativa como um bloco de construção em vez de usar neurônios e um rede neural.
- Para aumentar a velocidade computacional, use 'multiplexação por divisão de comprimento de onda' para enviar vários sinais ópticos em diferentes comprimentos de onda em um único canal.
A tecnologia de chip emprega luz para transmitir e receber dados para maximizar a densidade da informação. Vários sinais em vários comprimentos de onda são fornecidos simultaneamente para processamento paralelo, acelerando os tempos de detecção da tarefa de reconhecimento. A velocidade de computação aumenta com cada comprimento de onda.
O professor Wolfram Pernice, coautor da Universidade de Münster, explicou: “O dispositivo captura naturalmente semelhanças em conjuntos de dados enquanto o faz em paralelo usando luz para aumentar a velocidade geral de computação – que pode exceder em muito as capacidades dos chips eletrônicos convencionais”.
O co-primeiro autor Professor Zengguang Cheng, agora na Universidade de Fudan, disse: “É mais eficiente para problemas que não precisam de análise substancial de recursos altamente complexos nos conjuntos de dados. Muitas tarefas de aprendizado são baseadas em volume e não têm esse nível de complexidade – nesses casos, o aprendizado associativo pode concluir as tarefas mais rapidamente e com menor custo computacional.”
O professor Harish Bhaskaran, que liderou o estudo, dito, “É cada vez mais evidente que a IA estará no centro de muitas inovações que testemunharemos na próxima fase da história humana. Este trabalho abre caminho para a realização de processadores ópticos rápidos que capturam associações de dados para tipos específicos de AI cálculos, embora ainda existam muitos desafios emocionantes pela frente.”
Jornal de referência:
- James YS Tan, Zengguang Cheng, et al. Aprendizagem associativa monádica pavloviana em uma rede fotônica livre de retropropagação. Optica 9, 792-802 (2022). DOI: 10.1364/ÓPTICA.455864
