英國牛津大學材料系研究人員聯(lián)合埃克塞特大學和明斯特大學的同事開發(fā)了一種片上光學處理器,能檢測數(shù)據(jù)集中
的相似性,速度比在電子處理器上運行的傳統(tǒng)機器學習算法快1000倍。發(fā)表在《光學》雜志上的這項新研究的靈感來
自諾貝爾獎獲得者伊萬·巴甫洛夫?qū)?jīng)典條件反射的發(fā)現(xiàn)。
巴甫洛夫在實驗中發(fā)現(xiàn),如果在喂食過程中提供另一種刺激,例如鈴鐺或節(jié)拍器的聲音,使狗將這兩種體驗聯(lián)系起
來,那它只聽到聲音就會流口水。兩個不相關(guān)的事件配對在一起的重復(fù)關(guān)聯(lián)可產(chǎn)生學習反應(yīng),也就是條件反射。
大多數(shù)AI系統(tǒng)中使用的神經(jīng)網(wǎng)絡(luò)在學習過程中通常需要大量數(shù)據(jù)示例,比如訓(xùn)練模型可靠地識別出貓,可能需要多
達10000張貓/非貓圖像,造成計算和處理成本居高不下。
關(guān)聯(lián)單子學習元素(AMLE)不是依靠神經(jīng)網(wǎng)絡(luò)青睞的反向傳播來“微調(diào)”結(jié)果,而是使用一種記憶材料來學習模
式,將數(shù)據(jù)集中的相似特征關(guān)聯(lián)在一起,以模仿巴甫洛夫在案例中觀察到的條件反射的“比賽”。
在測試中,僅用5對圖像訓(xùn)練后,AMLE就可正確識別貓/非貓圖像。
與傳統(tǒng)電子芯片相比,新型光學芯片具有相當可觀的性能,這歸因于設(shè)計上的兩個關(guān)鍵差異:一種獨特的網(wǎng)絡(luò)架構(gòu)
,將聯(lián)想學習作為構(gòu)建塊,而不是使用神經(jīng)元和神經(jīng)網(wǎng)絡(luò);使用“波分復(fù)用”在單個通道上發(fā)送不同波長的多個光信號
,以提高計算速度。
該設(shè)備自然地捕捉數(shù)據(jù)集中的相似性,同時使用光并行以提高整體計算速度,這遠遠超過了傳統(tǒng)電子芯片的能力。
研究人員表示,聯(lián)想學習方法可作為神經(jīng)網(wǎng)絡(luò)的補充,而不是取代它們。對于不需要對數(shù)據(jù)集中高度復(fù)雜的特征進
行大量分析的問題,它更有效。許多學習任務(wù)都是基于數(shù)量的,復(fù)雜程度并不高。在這些情況下,聯(lián)想學習可更快地完
成任務(wù),并且計算成本更低。