Învățarea asociativă pavloviană este o formă de bază de învățare care modelează comportamentul oamenilor și animalelor. Cu toate acestea, antrenamentul folosind metoda de backpropagation pe ANN-uri „convenționale”, în special în rețelele neuronale profunde moderne, este consumatoare de calcul și energie.
O nouă cercetare bazată pe învățarea pavloviană cu procesare optică paralelă demonstrează potențialul interesant pentru diferite sarcini AI.
Oamenii de știință de la Universitatea OxfordDepartamentul de materiale, Universitățile din Exeterși Munster au dezvoltat un procesor optic pe cip care poate detecta asemănările în seturile de date de până la 1,000 de ori mai rapid decât algoritmii convenționali de învățare automată care rulează pe procesoare electronice.
Elementul de învățare monadic asociativ (AMLE) folosește un material de memorie care învață tipare pentru a asocia caracteristici similare în seturile de date, simulând reflexul condiționat observat de Pavlov în cazul unei „potriviri”, mai degrabă decât propagarea inversă preferată de rețelele neuronale pentru a „fină”. tune” rezultate.
Pentru a supraveghea procesul de învățare, intrările AMLE sunt asociate cu ieșirile corespunzătoare, iar materialul de memorie poate fi resetat folosind semnale luminoase. După antrenament cu doar cinci perechi de imagini, AMLE a fost testat și s-a dovedit că face distincția între o pisică și imaginile fără pisică.
Capacitățile considerabile de performanță ale noului cip optic față de un cip electronic convențional se rezumă la două diferențe cheie în design:
- O arhitectură de rețea unică care încorporează învățarea asociativă ca element de bază, mai degrabă decât utilizarea neuronilor și a rețele neuronale.
- Pentru a crește viteza de calcul, utilizați „multiplexarea cu diviziune în lungime de undă” pentru a trimite mai multe semnale optice pe lungimi de undă diferite pe un singur canal.
Tehnologia chipului folosește lumină pentru a transmite și a primi date pentru a maximiza densitatea informațiilor. Semnale multiple la diferite lungimi de undă sunt furnizate simultan pentru procesare paralelă, accelerând timpii de detectare a sarcinilor de recunoaștere. Viteza de calcul crește cu fiecare lungime de undă.
Profesorul Wolfram Pernice, coautor de la Universitatea Münster, a explicat: „Dispozitivul surprinde în mod natural asemănările în seturile de date în timp ce face acest lucru în paralel, folosind lumina pentru a crește viteza totală de calcul – ceea ce poate depăși cu mult capacitățile cipurilor electronice convenționale.”
Co-primul autor, profesorul Zengguang Cheng, acum la Universitatea Fudan, a spus: „Este mai eficient pentru problemele care nu necesită o analiză substanțială a caracteristicilor extrem de complexe din seturile de date. Multe sarcini de învățare se bazează pe volum și nu au acel nivel de complexitate – în aceste cazuri, învățarea asociativă poate finaliza sarcinile mai rapid și la un cost de calcul mai mic.”
Profesorul Harish Bhaskaran, care a condus studiul, a spus, „Este din ce în ce mai evident că AI va fi în centrul multor inovații la care vom asista în următoarea fază a istoriei omenirii. Această muncă deschide calea către realizarea de procesoare optice rapide care captează asocieri de date pentru anumite tipuri de AI calcule, deși mai sunt încă multe provocări interesante în față.”
Referința jurnalului:
- James YS Tan, Zengguang Cheng și colab. Învățare asociativă monadică pavloviană într-o rețea fotonică fără propagare inversă. OPTICA 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
