Kreditas: Langenegger ir kt Dauguma žmonių iš prigimties gali atpažinti atskirus jutimo dirgiklių požymius, tokius kaip matomi objektai, girdimi garsai ir pan. Nors dirbtinio intelekto (AI) įrankiai vis geriau atpažįsta konkrečius objektus vaizduose ar kituose dirgikliuose, jie dažnai negali atskirti savo individualių savybių (pvz., spalvos, dydžio ir kt.).
„IBM Research Zürich“ ir „ETH Zürich“ mokslininkai neseniai sukūrė efektyvų skaičiavimo variklį, kuris iššifruoja atskirus vizualinio stimulo požymius. Šis variklis buvo pristatytas dokumente Gamtos nanotechnologijosgaliausiai galėtų padėti greičiau ir efektyviau spręsti sudėtingas realaus pasaulio problemas.
„Dirbame kurdami neuro-vektoriaus-simbolinės architektūros (NVSA), kuri siūlo suvokimo ir samprotavimo galimybes vienoje sistemoje, koncepciją“, – „Tech Xplore“ sakė vienas iš tyrimą atlikusių tyrėjų Abbasas Rahimi. „NVSA vizualinį suvokimą iš dalies atlieka gilus tinklas, kuriame gaunami vaizdai yra supainioti sudėtingais būdais, kurie gali būti tinkami konkrečiai užduočiai, tačiau apsunkina apibendrinimą šiek tiek kitokiose situacijose. Pavyzdžiui, įsipainiojęs vaizdas „raudonas mažas trikampis“ negali atskleisti konceptualių objekto savybių, tokių kaip jo spalva, dydis, tipas ir kt.
Siekdamas įveikti esamų NVSA architektūrų apribojimus, Rahimi ir jo kolegos nusprendė sukurti naują variklį, kuris galėtų atskirti vaizdinius objektų vaizdus vaizduose, pateikdamas jų atributus atskirai. Šis variklis, pramintas „atminties faktoriumi“, yra pagrįstas pasikartojančių neuroninių tinklų, vadinamų rezonatorių tinklais, variantu, kuris gali iteratyviai išspręsti specialios formos faktorizavimo problemą.
„Šioje elegantiškoje matematinėje formoje atributų reikšmės ir jų susipynimai yra vaizduojami per didelės dimensijos holografinius vektorius“, – paaiškino Rahimi. „Jie yra holografiniai, nes užkoduota informacija yra vienodai paskirstyta visuose vektoriaus komponentuose. Rezonatorių tinkluose šias holografines reprezentacijas pakartotinai manipuliuoja vektorinių-simbolinių architektūrų operatoriai, kad išspręstų faktorizavimo problemą.”
Rezonatoriaus tinklas yra pasikartojančio neuroninio tinklo tipas, skirtas spręsti faktorizavimo problemas (ty problemas, dėl kurių vienas sveikasis skaičius yra padalintas į mažesnius veiksnius, kuriuos padauginus gaunamas pradinis skaičius). Nors rezonatorių tinklai pasirodė esą veiksmingi sprendžiant daugelį paprastų faktorizavimo problemų, jie paprastai kenčia nuo dviejų pagrindinių apribojimų.
Pirma, šie tinklai yra pažeidžiami patekti į „begalinę paieškos kilpą“, vadinamą ribiniais ciklais. Be to, rezonatorių tinklai dažnai negali greitai ir efektyviai išspręsti didelių problemų, susijusių su keliais veiksniais. Rahimi ir jo kolegų sukurtas variklis sprendžia ir įveikia abu šiuos apribojimus.
„Mūsų atminties faktorius praturtina analoginės atminties skaičiavimo (AIMC) aparatinės įrangos rezonatorių tinklus, natūraliai panaudodamas vidinį atminties įrenginio triukšmą, kad rezonatorių tinklai neįstrigtų ribiniuose cikluose“, – sakė Rahimi. „Šis vidinis įrenginio stochastiškumas, pagrįstas fazių keitimo medžiaga, atnaujina deterministinį rezonatorių tinklą į stochastinį rezonatorių tinklą, leisdamas atlikti triukšmingus skaičiavimus kiekvienoje kartoje. Be to, mūsų atmintyje esantis faktorinatorius pristato slenksčiu pagrįstus netiesinius aktyvavimus ir konvergencijos aptikimas“.
Kaip dalį savo neseniai atlikto tyrimo, mokslininkai sukūrė savo variklio prototipą, naudodami du atmintyje esančius skaičiavimo lustus. Šie lustai buvo pagrįsti fazės keitimo atminties įrenginiais, perspektyviomis sistemomis, galinčiomis atlikti skaičiavimus ir saugoti informaciją.
„Eksperimentinėje AIMC aparatūros sąrankoje yra du fazių keitimo atminties branduoliai, kurių kiekvienas turi 256 × 256 vienetų ląstelių, kad būtų galima atlikti matricos vektorių dauginimą (MVM) ir perkeltą MVM su dideliu lygiagretumu ir pastoviu laiku“, – sakė Rahimi. „Tiesą sakant, mūsų atmintyje esantis faktorius sumažina vektoriaus faktorizavimo skaičiavimo laiko sudėtingumą iki tik iteracijų skaičiaus.
Pirminiais vertinimais Rahimi ir jo kolegų sukurtas atminties faktorizatorius pasiekė daug žadančių rezultatų, išspręsdamas mažiausiai penkis kartus didesnes ir sudėtingesnes problemas nei tas, kurias būtų galima išspręsti naudojant įprastą sistemą, pagrįstą rezonatorių tinklais. Pažymėtina, kad jų variklis taip pat gali išspręsti šias problemas greičiau ir sunaudodamas mažiau skaičiavimo galios.
„Mūsų tyrimo proveržis yra tas, kad neišvengiamas stochastiškumas, pateiktas AIMC aparatinėje įrangoje, yra ne prakeiksmas, o palaima”, – sakė Rahimi. „Kai kartu su slenksčio metodais, šis stochastiškumas galėtų padėti išspręsti bent penkiomis eilėmis didesnes kombinatorines problemas, kurios anksčiau buvo neišspręstos laikantis nustatytų apribojimų.”
Ateityje šios tyrėjų komandos sukurtas naujas faktorizavimo variklis galėtų būti naudojamas patikimai atskirti atskirus objektų vizualinius požymius vaizduose, užfiksuotuose kameromis ar kitais jutikliais. Jis taip pat galėtų būti taikomas sprendžiant kitas sudėtingas faktorizavimo problemas, atveriant naujas įdomias AI tyrimų galimybes.
„Didžiulį skaičiavimais brangių MVM operacijų, atliekamų faktorizavimo metu, skaičių pagreitina mūsų atminties faktoriai“, – pridūrė Rahimi. „Toliau norime sukurti ir išbandyti didelio masto AIMC aparatūrą, galinčią atlikti didesnius MVM.
Daugiau informacijos: Jovinas Langeneggeris ir kt., Holografinių suvokimo reprezentacijų atmintyje faktorizavimas, Gamtos nanotechnologijos (2023). DOI: 10.1038/s41565-023-01357-8
© „Science X Network“, 2023 m
Citata: energiją taupantis variklis, galintis atskirti vizualinius objektų požymius (2023 m., balandžio 26 d.), gautas 2023 m. balandžio 26 d.
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
