Kreditas: James Tan You Sian Oksfordo universiteto Medžiagų katedros mokslininkai, bendradarbiaudami su kolegomis iš Ekseterio ir Miunsterio universitetų, sukūrė lustinį optinį procesorių, galintį aptikti duomenų rinkinių panašumus iki 1,000 karto greičiau nei įprasti mašininio mokymosi algoritmai, veikiantys elektroniniuose procesoriuose.
Optica žurnale paskelbti nauji tyrimai įkvėpti Nobelio premijos laureato Ivano Pavlovo klasikinio sąlygojimo atradimo. Atlikdamas eksperimentus, I. Pavlovas nustatė, kad šėrimo metu pateikus kitą dirgiklį, pavyzdžiui, varpelio ar metronomo garsą, jo šunys ėmė sieti šiuos du potyrius ir seilę varvindavo vien nuo garso. Kartojamos dviejų nesusijusių įvykių asociacijos gali sukelti išmoktą reakciją – sąlyginį refleksą.
Vienas pirmųjų autorių Dr. James Tan You Sian, kuris šį darbą atliko kaip Oksfordo universiteto Medžiagų katedros daktaro disertacijos dalį, sakė: „Pavlovo asociatyvusis mokymasis laikomas pagrindine mokymosi forma, formuojančia žmonių ir gyvūnų elgesį, tačiau apie jo pritaikymą dirbtinio intelekto sistemose beveik negirdėta. Mūsų atlikti Pavlovo mokymosi kartu su optiniu lygiagrečiuoju apdorojimu tyrimai rodo įdomų potencialą įvairioms dirbtinio intelekto užduotims.”
Daugumoje dirbtinio intelekto sistemų naudojamiems neuroniniams tinklams mokymosi proceso metu dažnai reikia daug duomenų pavyzdžių – mokant modelį patikimai atpažinti katę galima naudoti iki 10,000 katės ir ne katės atvaizdų, o tai reikalauja didelių skaičiavimo ir apdorojimo sąnaudų.
Užuot pasikliovęs neuroninių tinklų mėgstamu grįžtamuoju srautu, kad „sureguliuotų” rezultatus, asociatyvusis monadinis mokymosi elementas (AMLE) naudoja atminties medžiagą, kuri išmoksta modelius, kad susietų panašius duomenų rinkinių požymius – imituoja Pavlovo pastebėtą sąlyginį refleksą „atitikimo” atveju
Kreditas: Zengguang Cheng AMLE įėjimai yra suporuoti su tinkamais išėjimais, kad būtų galima prižiūrėti mokymosi procesą, o atminties medžiagą galima iš naujo nustatyti naudojant šviesos signalus. Atliekant bandymus, AMLE galėjo teisingai atpažinti katės ir ne katės vaizdus, kai buvo apmokyta tik su penkiomis vaizdų poromis.
Didelį naujojo optinio lusto našumą, palyginti su įprastiniu elektroniniu lustu, lemia du esminiai konstrukcijos skirtumai:
- Unikali tinklo architektūra, kurioje kaip statybinis blokas naudojamas asociatyvusis mokymasis, o ne neuronai ir neuroninis tinklas
- „Bangų ilgio dalijimo multipleksavimo” naudojimas, kai vienu kanalu siunčiami keli skirtingo bangos ilgio optiniai signalai, siekiant padidinti skaičiavimo greitį
Mikroschemos techninė įranga naudoja šviesą duomenims siųsti ir gauti, kad maksimaliai padidintų informacijos tankį – vienu metu siunčiami keli skirtingo bangos ilgio signalai lygiagrečiam apdorojimui, o tai padidina atpažinimo užduočių nustatymo greitį. Kiekvienas bangos ilgis padidina skaičiavimo greitį.
Miunsterio universiteto profesorius Wolframas Pernice’as, vienas iš autorių, paaiškino: „Įrenginys natūraliai fiksuoja duomenų rinkinių panašumus, o tai daro lygiagrečiai naudodamas šviesą, kad padidintų bendrą skaičiavimo greitį – tai gali gerokai viršyti įprastinių elektroninių lustų galimybes.”
Asociatyvinio mokymosi metodas galėtų papildyti neuroninius tinklus, o ne juos pakeisti, paaiškino vienas iš pirmojo autorių profesorius Zengguangas Čengas (Zengguang Cheng), dabar dirbantis Fudano universitete.
„Jis yra efektyvesnis sprendžiant problemas, kai nereikia iš esmės analizuoti labai sudėtingų duomenų rinkinių požymių, – sakė profesorius Čengas. „Daugelis mokymosi užduočių yra pagrįstos apimtimi ir nėra tokio sudėtingumo lygio – tokiais atvejais asociatyvusis mokymasis gali atlikti užduotis greičiau ir mažesnėmis skaičiavimo sąnaudomis.”
„Vis labiau akivaizdu, kad dirbtinis intelektas bus daugelio naujovių, kurių liudininkais tapsime ateinančiu žmonijos istorijos etapu, centre. Šis darbas atveria kelią sparčių optinių procesorių, kurie fiksuoja duomenų asociacijas, skirtas tam tikrų tipų dirbtinio intelekto skaičiavimams, realizavimui, nors dar laukia daug įdomių iššūkių”, – sakė tyrimui vadovavęs profesorius Harishas Bhaskaranas.
Daugiau informacijos: James Y. S. Tan et al, Monadic Pavlovian associative learning in a backpropagation-free photonic network, Optica (2022). DOI: 10.1364/OPTICA.455864
Citation: Įžvelgti šviesą: Researchers develop new AI system using light to learn associatively (2022, July 26) gauta 30 July 2022 iš https://techxplore.com/news/2022-07-ai-associatively.html
This document is subject to copyright. Be raštiško leidimo negalima atgaminti jokios dokumento dalies, išskyrus sąžiningą naudojimą asmeninėms studijoms ar tyrimams. Turinys pateikiamas tik informaciniais tikslais.
