НТТ и Универзитет у Токију развијају прву оптичку компјутерску вештачку интелигенцију на свету користећи алгоритам инспирисан људским мозгом

Сарадња унапређује практичну примену мале снаге, велике брзине вештачке интелигенције засноване на оптичком рачунарству

ТОКИО–(ПОСЛОВНА ЖИЦА)–#ТецхфорГоод-НТТ Цорпоратион (Председник и извршни директор: Акира Шимада, „НТТ“) и Универзитет у Токију (Бункио-ку, Токио, председник: Теруо Фујии) су осмислили нови алгоритам учења инспирисан обрадом информација у мозгу који је погодан за вишеслојне вештачке неуронске мреже (ДНН) користећи аналогне операције. Овај пробој ће довести до смањења потрошње енергије и времена рачунања за АИ. Резултати овог развоја објављени су у британском научном часопису Природа комуникације 26. децембра^th.

Истраживачи су постигли прву демонстрацију ефикасно изведеног оптичког ДНН учења применом алгоритма на ДНН који користи оптичко аналогно рачунање, за које се очекује да омогући уређаје за машинско учење велике брзине и мале снаге. Поред тога, постигли су највише перформансе на свету вишеслојне вештачке неуронске мреже која користи аналогне операције.

У прошлости су се прорачуни за учење са великим оптерећењем обављали дигиталним прорачунима, али овај резултат доказује да је могуће побољшати ефикасност дела учења коришћењем аналогних прорачуна. У технологији дубоке неуронске мреже (ДНН), рекурентна неуронска мрежа која се назива рачунарство дубоког резервоара се израчунава претпоставком да је оптички импулс неурон и нелинеарни оптички прстен као неуронска мрежа са рекурзивним везама. Поновним уносом излазног сигнала у исто оптичко коло, мрежа се вештачки продубљује.

ДНН технологија омогућава напредну вештачку интелигенцију (АИ) као што су машинско превођење, аутономна вожња и роботика. Тренутно, потребна снага и време рачунања се повећавају брзином која превазилази раст перформанси дигиталних рачунара. Очекује се да ће ДНН технологија, која користи прорачуне аналогног сигнала (аналогне операције), бити метод за реализацију високоефикасних и брзих прорачуна сличних неуронској мрежи мозга. Сарадња између НТТ-а и Универзитета у Токију развила је нови алгоритам погодан за аналогну операцију ДНН који не претпоставља разумевање параметара учења укључених у ДНН.

Предложени метод учи променом параметара учења на основу завршног слоја мреже и нелинеарне случајне трансформације грешке жељеног излазног сигнала (сигнала грешке). Овај прорачун олакшава имплементацију аналогних прорачуна у стварима као што су оптичка кола. Такође се може користити не само као модел за физичку имплементацију, већ и као најсавременији модел који се користи у апликацијама као што су машинско превођење и различити АИ модели, укључујући ДНН модел. Очекује се да ће ово истраживање допринети решавању нових проблема повезаних са АИ рачунарством, укључујући потрошњу енергије и повећано време прорачуна.

Поред испитивања применљивости методе предложене у овом раду на специфичне проблеме, НТТ ће такође промовисати интеграцију оптичког хардвера великих и малих размера, са циљем да успостави брзу оптичку рачунарску платформу мале снаге за будуће оптичке мреже.

Подршка овом истраживању:

ЈСТ/ЦРЕСТ је подржао део ових резултата истраживања.

Публикација часописа:

Часопис: Природа комуникације (Онлине верзија: 26. децембар)

Наслов чланка: Физичко дубоко учење са биолошки инспирисаним методом тренинга: приступ физичком хардверу без градијента

Аутори: Митсумаса Накајима, Катсума Иноуе, Кењи Танака, Иасуо Кунииосхи, Тосхиказу Хасхимото, и Кохеи Накајима

Објашњење терминологије:

1. Оптичко коло: Коло у којем су силицијумски или кварцни оптички таласоводи интегрисани у силицијумску подлогу користећи технологију производње електронских кола. У комуникацији се гранање и спајање оптичких комуникационих путева врши оптичким сметњама, мултиплексирањем/демултиплексирањем таласних дужина и слично.
2. Метода пропагације уназад (БП): најчешће коришћени алгоритам учења у дубоком учењу. Градијент пондера (параметара) у мрежи се добија при пропагирању сигнала грешке уназад, а тежине се ажурирају тако да грешка постаје мања. Пошто процес пропагације уназад захтева транспозицију матрице тежине мрежног модела и нелинеарну диференцијацију, тешко је имплементирати на аналогна кола, укључујући мозак живог организма.
3. Аналогно рачунарство: Рачунар који изражава стварне вредности користећи физичке величине као што су интензитет и фаза светлости и правац и интензитет магнетних спинова и врши прорачуне мењајући ове физичке величине према законима физике.
4. Метода директне повратне спреге (ДФА): Метода псеудо израчунавања сигнала грешке сваког слоја извођењем нелинеарне насумичне трансформације на сигналу грешке завршног слоја. Пошто не захтева диференцијалне информације мрежног модела и може се израчунати само паралелном случајном трансформацијом, компатибилан је са аналогним прорачуном.
5. Рачунање резервоара: Тип рекурентне неуронске мреже са рекурентним везама у скривеном слоју. Карактерише га насумично фиксирање веза у средњем слоју који се назива слој резервоара. У рачунарству дубоких резервоара, обрада информација се врши повезивањем слојева резервоара у више слојева.

НТТ и НТТ лого су регистровани заштитни знаци или заштитни знаци НИППОН ТЕЛЕГРАПХ АНД ТЕЛЕПХОНЕ ЦОРПОРАТИОН и/или његових филијала. Сви остали наведени називи производа су заштитни знаци њихових власника. © 2023 НИППОН ТЕЛЕГРАПХ АНД ТЕЛЕПХОНЕ ЦОРПОРАТИОН

Kontakti

Степхен Русселл

Виресиде Цоммуницатионс®

За НТТ

+ КСНУМКС-КСНУМКС-КСНУМКС-КСНУМКС

[емаил заштићен]