Pavlovsko asociativno učenje je osnovna oblika učenja, ki oblikuje vedenje ljudi in živali. Vendar pa je usposabljanje z uporabo metode povratnega širjenja na "konvencionalnih" ANN, zlasti v sodobnih globokih nevronskih mrežah, računalniško in energetsko intenzivno.
Nove raziskave, ki temeljijo na Pavlovskem učenju z optično vzporedno obdelavo, kažejo vznemirljiv potencial za različne naloge umetne inteligence.
Znanstveniki iz Univerza v OxforduOddelek za materiale, Univerze v Exeterju, in Munster sta razvila optični procesor na čipu, ki lahko zazna podobnosti v naborih podatkov do 1,000-krat hitreje kot običajni algoritmi strojnega učenja, ki delujejo na elektronskih procesorjih.
Asociativni monadični učni element (AMLE) uporablja pomnilniški material, ki se uči vzorcev za povezovanje podobnih lastnosti v naborih podatkov, pri čemer simulira pogojni refleks, ki ga je opazil Pavlov v primeru »ujemanja«, namesto povratnega širjenja, ki ga imajo nevronske mreže raje kot »fino- tune« rezultati.
Za nadzor učnega procesa so vhodi AMLE povezani z ustreznimi izhodi, pomnilniški material pa je mogoče ponastaviti s svetlobnimi signali. Po treningu s samo petimi pari slik je bil AMLE preizkušen in ugotovil je, da razlikuje med slikami mačke in slikami, ki niso mačke.
Precejšnje zmogljivosti novega optičnega čipa v primerjavi z običajnim elektronskim čipom so posledica dveh ključnih razlik v zasnovi:
- Edinstvena omrežna arhitektura, ki vključuje asociativno učenje kot gradnik namesto uporabe nevronov in nevronska mreža.
- Če želite povečati hitrost računanja, uporabite 'multipleksiranje z delitvijo valovnih dolžin' za pošiljanje več optičnih signalov na različnih valovnih dolžinah na enem kanalu.
Tehnologija čipov uporablja svetlobo za oddajanje in sprejemanje podatkov za čim večjo gostoto informacij. Več signalov na različnih valovnih dolžinah je na voljo hkrati za vzporedno obdelavo, kar pospeši čas zaznavanja opravil prepoznavanja. Hitrost računanja narašča z vsako valovno dolžino.
Profesor Wolfram Pernice, soavtor z univerze Münster, je pojasnil: "Naprava naravno zajame podobnosti v naborih podatkov, medtem ko to počne vzporedno z uporabo svetlobe za povečanje splošne hitrosti računanja - ki lahko daleč preseže zmogljivosti običajnih elektronskih čipov."
Soavtor, profesor Zengguang Cheng, zdaj na univerzi Fudan, je dejal, »Učinkovitejši je za težave, ki ne potrebujejo bistvene analize zelo zapletenih funkcij v nizih podatkov. Številne učne naloge temeljijo na obsegu in nimajo te ravni kompleksnosti – v teh primerih lahko asociativno učenje dokonča naloge hitreje in z nižjimi računskimi stroški.«
Profesor Harish Bhaskaran, ki je vodil študijo, je dejal, »Vse bolj očitno je, da bo umetna inteligenca v središču številnih inovacij, ki jim bomo priča v prihajajoči fazi človeške zgodovine. To delo utira pot k realizaciji hitrih optičnih procesorjev, ki zajemajo podatkovne povezave za določene vrste AI računanja, čeprav je pred nami še veliko razburljivih izzivov.«
Referenca dnevnika:
- James YS Tan, Zengguang Cheng, et al. Monadic Pavlovian asociativno učenje v fotonskem omrežju brez povratnega širjenja. Optica 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
