Pavlovian ilişkisel öğrenme, insanların ve hayvanların davranışlarını şekillendiren temel bir öğrenme şeklidir. Ancak, özellikle modern derin sinir ağlarında "geleneksel" YSA'lar üzerinde geri yayılım yöntemini kullanan eğitim, hesaplama açısından ve enerji açısından yoğundur.
Optik paralel işlemeyle Pavlov öğrenmesine dayanan yeni araştırma, çeşitli yapay zeka görevlerinin heyecan verici potansiyelini ortaya koyuyor.
Kaynaklı bilim adamları Oxford ÜniversitesiMalzeme Departmanı, Exeter Üniversitelerive Munster, elektronik işlemcilerde çalışan geleneksel makine öğrenimi algoritmalarından 1,000 kata kadar daha hızlı veri kümelerindeki benzerlikleri tespit edebilen çip üstü bir optik işlemci geliştirdi.
İlişkisel Monadik Öğrenme Öğesi (AMLE), veri kümelerindeki benzer özellikleri bir araya getirmek için kalıpları öğrenen bir bellek materyali kullanır ve sinir ağlarının "ince öğrenme" için tercih ettiği geri yayılım yerine "eşleşme" durumunda Pavlov tarafından gözlemlenen koşullu refleksi simüle eder. "ayar" sonuçları.
Öğrenme sürecini denetlemek için AMLE girişleri uygun çıkışlarla eşleştirilir ve bellek malzemesi ışık sinyalleri kullanılarak sıfırlanabilir. Yalnızca beş çift görüntüyle eğitim sonrasında AMLE test edildi ve kedi görüntüleri ile kedi olmayan görüntüleri birbirinden ayırabildiği görüldü.
Yeni optik çipin geleneksel elektronik çipe göre kayda değer performans kapasitesi, tasarımdaki iki temel farklılığa dayanmaktadır:
- Nöronlar ve bir ağ kullanmak yerine ilişkisel öğrenmeyi bir yapı taşı olarak birleştiren benzersiz bir ağ mimarisi. sinir ağı.
- Hesaplama hızını artırmak için, tek bir kanalda farklı dalga boylarında birden fazla optik sinyal göndermek için 'dalga boyu bölmeli çoğullama'yı kullanın.
Çip teknolojisi, bilgi yoğunluğunu en üst düzeye çıkarmak için veri iletmek ve almak için ışıktan yararlanır. Paralel işleme için çeşitli dalga boylarında birden fazla sinyal aynı anda sağlanarak tanıma görevi algılama süreleri hızlandırılır. Hesaplama hızı her dalga boyunda artar.
Münster Üniversitesi'nden ortak yazar Profesör Wolfram Pernice şunları açıkladı: "Cihaz, veri kümelerindeki benzerlikleri doğal olarak yakalarken, bunu paralel olarak ışık kullanarak yaparak genel hesaplama hızını artırıyor; bu da geleneksel elektronik çiplerin yeteneklerini çok aşabiliyor."
Şu anda Fudan Üniversitesi'nde olan ortak yazar Profesör Zengguang Cheng şunları söyledi: “Veri kümelerindeki son derece karmaşık özelliklerin kapsamlı analizini gerektirmeyen problemler için daha verimlidir. Çoğu öğrenme görevi hacim tabanlıdır ve bu düzeyde karmaşıklığa sahip değildir; bu durumlarda ilişkisel öğrenme, görevleri daha hızlı ve daha düşük hesaplama maliyetiyle tamamlayabilir."
Araştırmayı yöneten Profesör Harish Bhaskaran, şuraya, “Yapay zekanın, insanlık tarihinin önümüzdeki evresinde tanık olacağımız pek çok yeniliğin merkezinde yer alacağı giderek daha açık bir şekilde görülüyor. Bu çalışma, belirli veri türleri için veri ilişkilerini yakalayan hızlı optik işlemcilerin gerçekleştirilmesine giden yolu açıyor. AI hesaplamalar, ancak önümüzde hala birçok heyecan verici zorluk var."
Dergi Referans:
- James YS Tan, Zengguang Cheng ve diğerleri. Geri yayılımsız bir fotonik ağda Monadik Pavlovian ilişkisel öğrenme. optik 9, 792-802 (2022). DOI: 10.1364/OPTICA.455864
