巴甫洛夫联想学习是塑造人类和动物行为的基本学习形式。 然而，在“传统”人工神经网络上使用反向传播方法进行训练，尤其是在现代深度神经网络中，需要大量计算和能源。
基于巴甫洛夫学习和光学并行处理的新研究证明了各种人工智能任务的令人兴奋的潜力。
科学家从 Oxford University 的材料系， 埃克塞特大学和 Munster 开发了一种片上光学处理器，可以比在电子处理器上运行的传统机器学习算法快 1,000 倍，检测数据集中的相似性。
关联一元学习元素 (AMLE) 使用一种记忆材料，学习模式将数据集中的相似特征关联在一起，模拟巴甫洛夫在“匹配”情况下观察到的条件反射，而不是神经网络首选的反向传播“精细匹配”。调”的结果。
为了监督学习过程，AMLE 输入与适当的输出配对，并且可以使用光信号重置记忆材料。 在仅使用五对图像进行训练后，AMLE 进行了测试，发现它可以区分猫和非猫图像。
与传统电子芯片相比，新型光学芯片的显着性能可归结为设计上的两个关键差异：
- 一种独特的网络架构，将联想学习作为构建块，而不是使用神经元和 神经网络.
- 为了提高计算速度，可以使用“波分复用”在单个通道上发送不同波长的多个光信号。
该芯片技术利用光来传输和接收数据，以最大限度地提高信息密度。 同时提供不同波长的多个信号以进行并行处理，从而加快识别任务的检测时间。 计算速度随着每个波长而提高。
明斯特大学的合著者 Wolfram Pernice 教授解释道： “该设备自然地捕获数据集中的相似性，同时使用光并行执行此操作以提高整体计算速度 - 这可以远远超过传统电子芯片的能力。”
共同第一作者、复旦大学教授程增光表示， “对于不需要对数据集中高度复杂的特征进行大量分析的问题来说，它更加有效。 许多学习任务都是基于容量的，没有那么复杂——在这些情况下，联想学习可以更快地以更低的计算成本完成任务。”
领导这项研究的哈里什·巴斯卡兰（Harish Bhaskaran）教授， 说过, “越来越明显的是，人工智能将成为人类历史下一阶段我们将见证的许多创新的中心。 这项工作为实现快速光学处理器铺平了道路，该处理器可以捕获特定类型的数据关联。 AI 计算，尽管前面仍然存在许多令人兴奋的挑战。”
杂志参考：
- James YS Tan，Zengguang Cheng，等。 无反向传播光子网络中的单子巴甫洛夫联想学习。 。光学 9, 792-802 (2022)。 DOI： 10.1364/光学.455864
