Pavlovian associative Learning سیکھنے کی ایک بنیادی شکل ہے جو انسانوں اور جانوروں کے رویے کو تشکیل دیتی ہے۔ تاہم، "روایتی" ANNs، خاص طور پر جدید گہرے نیورل نیٹ ورکس میں، بیک پروپیگیشن کے طریقہ کار کا استعمال کرتے ہوئے تربیت کمپیوٹیشنل اور توانائی سے بھرپور ہے۔
آپٹیکل متوازی پروسیسنگ کے ساتھ Pavlovian لرننگ پر مبنی نئی تحقیق مختلف AI کاموں کی دلچسپ صلاحیت کو ظاہر کرتی ہے۔
سائنسدانوں سے آکسفورڈ یونیورسٹیکا محکمہ مال، ایکسیٹر کی یونیورسٹیاں، اور منسٹر نے ایک آن چپ آپٹیکل پروسیسر تیار کیا ہے جو الیکٹرانک پروسیسرز پر چلنے والے روایتی مشین لرننگ الگورتھم سے 1,000 گنا زیادہ تیزی سے ڈیٹا سیٹس میں مماثلت کا پتہ لگا سکتا ہے۔
Associative Monadic Learning Element (AMLE) ایک میموری میٹریل استعمال کرتا ہے جو ڈیٹا سیٹس میں ملتی جلتی خصوصیات کو ایک ساتھ جوڑنے کے لیے نمونوں کو سیکھتا ہے، جس میں پاولوف کی طرف سے مشاہدہ کردہ مشروط اضطراری صورت میں "میچ" کی صورت میں عصبی نیٹ ورکس کی طرف سے ترجیح دی جانے والی بیک پروپیگیشن کی تقلید کرتا ہے۔ ٹیون" کے نتائج۔
سیکھنے کے عمل کی نگرانی کے لیے، AMLE ان پٹس کو مناسب آؤٹ پٹس کے ساتھ جوڑا جاتا ہے، اور میموری میٹریل کو لائٹ سگنلز کے ذریعے ری سیٹ کیا جا سکتا ہے۔ صرف پانچ جوڑوں کی تصاویر کے ساتھ تربیت کے بعد، AMLE کا تجربہ کیا گیا اور اسے بلی اور غیر بلی کی تصاویر میں فرق کرنے کے لیے پایا گیا۔
روایتی الیکٹرانک چپ پر نئی آپٹیکل چپ کی نمایاں کارکردگی کی صلاحیتیں ڈیزائن میں دو اہم فرقوں سے نیچے ہیں:
- ایک انوکھا نیٹ ورک فن تعمیر جس میں نیوران اور ایک کو استعمال کرنے کے بجائے ایک بلڈنگ بلاک کے طور پر ایسوسی ایٹو لرننگ کو شامل کیا گیا ہے۔ عصبی نیٹ ورک.
- کمپیوٹیشنل سپیڈ بڑھانے کے لیے، ایک چینل پر مختلف طول موج پر متعدد آپٹیکل سگنل بھیجنے کے لیے 'ویول لینتھ-ڈویژن ملٹی پلیکسنگ' کا استعمال کریں۔
چپ ٹیکنالوجی معلومات کی کثافت کو زیادہ سے زیادہ کرنے کے لیے ڈیٹا کو منتقل کرنے اور وصول کرنے کے لیے روشنی کا استعمال کرتی ہے۔ متوازی پروسیسنگ کے لیے مختلف طول موج پر ایک سے زیادہ سگنلز ایک ساتھ فراہم کیے جاتے ہیں، شناخت کے کام کا پتہ لگانے کے اوقات کو تیز کرتے ہیں۔ کمپیوٹنگ کی رفتار ہر طول موج کے ساتھ بڑھتی ہے۔
مونسٹر یونیورسٹی کے شریک مصنف پروفیسر وولفرم پرنیس نے وضاحت کی: "آلہ قدرتی طور پر ڈیٹاسیٹس میں مماثلتوں کو پکڑ لیتا ہے جبکہ ایسا کرتے ہوئے روشنی کا استعمال کرتے ہوئے مجموعی حساب کی رفتار کو بڑھاتا ہے - جو روایتی الیکٹرانک چپس کی صلاحیتوں سے کہیں زیادہ ہو سکتا ہے۔"
شریک پہلے مصنف پروفیسر زینگ گوانگ چینگ، جو اب فوڈان یونیورسٹی میں ہیں، نے کہا، "یہ ان مسائل کے لیے زیادہ کارآمد ہے جن کے لیے ڈیٹا سیٹس میں انتہائی پیچیدہ خصوصیات کے کافی تجزیے کی ضرورت نہیں ہے۔ بہت سے سیکھنے کے کام حجم پر مبنی ہوتے ہیں اور ان میں اس سطح کی پیچیدگی نہیں ہوتی ہے – ان صورتوں میں، ایسوسی ایٹو لرننگ کاموں کو زیادہ تیزی سے اور کم کمپیوٹیشنل لاگت پر مکمل کر سکتی ہے۔
پروفیسر ہریش بھاسکرن، جنہوں نے مطالعہ کی قیادت کی، نے کہا, "یہ تیزی سے واضح ہو رہا ہے کہ AI بہت سی اختراعات کے مرکز میں ہو گا جس کا ہم انسانی تاریخ کے آنے والے دور میں مشاہدہ کریں گے۔ یہ کام تیز آپٹیکل پروسیسرز کو سمجھنے کی راہ ہموار کرتا ہے جو مخصوص قسم کے ڈیٹا ایسوسی ایشنز کو حاصل کرتے ہیں۔ AI حسابات، اگرچہ ابھی بھی بہت سے دلچسپ چیلنجز سامنے ہیں۔"
جرنل حوالہ:
- جیمز وائی ایس ٹین، زینگ گوانگ چینگ، وغیرہ۔ بیک پروپیگیشن فری فوٹوونک نیٹ ورک میں موناڈک پاولووین ایسوسی ایٹو لرننگ۔ آپٹیکا 9، 792-802 (2022)۔ DOI: 10.1364/OPTICA.455864
