การเรียนรู้แบบเชื่อมโยง Pavlovian เป็นรูปแบบพื้นฐานของการเรียนรู้ที่กำหนดพฤติกรรมของมนุษย์และสัตว์ อย่างไรก็ตาม การฝึกอบรมโดยใช้วิธีการ backpropagation ใน ANNs "แบบธรรมดา" โดยเฉพาะอย่างยิ่งในโครงข่าย Deep Neural สมัยใหม่ ต้องใช้การคำนวณและใช้พลังงานมาก
งานวิจัยใหม่จากการเรียนรู้ของ Pavlovian พร้อมการประมวลผลแบบคู่ขนานแบบออปติคัลแสดงให้เห็นถึงศักยภาพที่น่าตื่นเต้นสำหรับงาน AI ต่างๆ
นักวิทยาศาสตร์จาก มหาวิทยาลัย Oxfordภาควิชาวัสดุศาสตร์ มหาวิทยาลัยเอ็กซิเตอร์และ Munster ได้พัฒนาโปรเซสเซอร์ออปติคัลบนชิปที่สามารถตรวจจับความคล้ายคลึงกันในชุดข้อมูลได้เร็วกว่าอัลกอริธึมการเรียนรู้ของเครื่องทั่วไปที่ทำงานบนโปรเซสเซอร์อิเล็กทรอนิกส์ถึง 1,000 เท่า
Associative Monadic Learning Element (AMLE) ใช้วัสดุหน่วยความจำที่เรียนรู้รูปแบบเพื่อเชื่อมโยงคุณลักษณะที่คล้ายกันในชุดข้อมูล จำลองการสะท้อนกลับตามเงื่อนไขที่ Pavlov สังเกตในกรณีของ "การจับคู่" แทนที่จะเป็น backpropagation ที่โครงข่ายประสาทต้องการ "ปรับ- ปรับ” ผลลัพธ์
ในการกำกับดูแลกระบวนการเรียนรู้ อินพุต AMLE จะถูกจับคู่กับเอาต์พุตที่เหมาะสม และสามารถรีเซ็ตวัสดุหน่วยความจำได้โดยใช้สัญญาณไฟ หลังจากฝึกด้วยภาพเพียงห้าคู่ AMLE ได้รับการทดสอบและพบว่าสามารถแยกแยะระหว่างภาพแมวและไม่ใช่แมว
ความสามารถด้านประสิทธิภาพที่สำคัญของชิปออปติคัลใหม่เหนือชิปอิเล็กทรอนิกส์ทั่วไปนั้นมีความแตกต่างที่สำคัญสองประการในการออกแบบ:
- สถาปัตยกรรมเครือข่ายที่มีเอกลักษณ์เฉพาะที่ผสมผสานการเรียนรู้แบบเชื่อมโยงเป็นส่วนประกอบสำคัญ แทนที่จะใช้เซลล์ประสาทและ a เครือข่ายประสาท.
- เพื่อเพิ่มความเร็วในการคำนวณ ให้ใช้ 'มัลติเพล็กซ์แบบแบ่งความยาวคลื่น' เพื่อส่งสัญญาณออปติคัลหลายตัวบนความยาวคลื่นต่างๆ บนแชนเนลเดียว
เทคโนโลยีชิปใช้แสงในการส่งและรับข้อมูลเพื่อเพิ่มความหนาแน่นของข้อมูลสูงสุด สัญญาณหลายตัวที่ความยาวคลื่นต่างๆ ถูกจ่ายให้พร้อมกันสำหรับการประมวลผลแบบคู่ขนาน ซึ่งช่วยเร่งเวลาในการตรวจจับงานการจดจำ ความเร็วในการคำนวณจะเพิ่มขึ้นตามความยาวคลื่นแต่ละช่วง
ศาสตราจารย์ Wolfram Pernice ผู้เขียนร่วมจาก Münster University อธิบายว่า: "อุปกรณ์จับความคล้ายคลึงกันในชุดข้อมูลโดยธรรมชาติในขณะที่ทำพร้อมกันโดยใช้แสงเพื่อเพิ่มความเร็วในการคำนวณโดยรวมซึ่งอาจเกินความสามารถของชิปอิเล็กทรอนิกส์ทั่วไป"
ศาสตราจารย์ Zengguang Cheng ผู้เขียนร่วมคนแรกซึ่งปัจจุบันอยู่ที่มหาวิทยาลัย Fudan กล่าวว่า “จะมีประสิทธิภาพมากกว่าสำหรับปัญหาที่ไม่ต้องการการวิเคราะห์ที่สำคัญของคุณสมบัติที่ซับซ้อนสูงในชุดข้อมูล งานการเรียนรู้จำนวนมากขึ้นอยู่กับปริมาณและไม่มีความซับซ้อนในระดับนั้น ในกรณีเหล่านี้ การเรียนรู้แบบเชื่อมโยงสามารถทำงานให้เสร็จได้รวดเร็วยิ่งขึ้นและด้วยต้นทุนทางคอมพิวเตอร์ที่ต่ำลง”
ศาสตราจารย์ Harish Bhaskaran ซึ่งเป็นผู้นำการศึกษานี้ กล่าวว่า, “เป็นที่ประจักษ์มากขึ้นว่า AI จะเป็นศูนย์กลางของนวัตกรรมมากมายที่เราจะได้เห็นในระยะต่อไปของประวัติศาสตร์มนุษย์ งานนี้ปูทางไปสู่การตระหนักถึงโปรเซสเซอร์ออปติคัลที่รวดเร็วซึ่งรวบรวมการเชื่อมโยงข้อมูลสำหรับ .บางประเภท AI การคำนวณ แม้ว่าจะยังมีความท้าทายที่น่าตื่นเต้นอีกมากมายรออยู่ข้างหน้า”
การอ้างอิงวารสาร:
- James YS Tan, Zengguang Cheng และคณะ การเรียนรู้แบบเชื่อมโยง Monadic Pavlovian ในเครือข่ายโฟโตนิกที่ไม่มีการแพร่ภาพย้อนกลับ เลนส์ 9-792 (802). ดอย: 10.1364/OPTICA.455864
