თანამშრომლობა აუმჯობესებს დაბალი სიმძლავრის, მაღალსიჩქარიანი AI-ის პრაქტიკულ გამოყენებას ოპტიკურ გამოთვლებზე დაფუძნებული
ტოკიო – (საქმიანი მავთული)–#Techfor Good-კორპორაცია NTT (პრეზიდენტი და აღმასრულებელი დირექტორი: აკირა შიმადა, "NTT") და ტოკიოს უნივერსიტეტი (Bunkyo-ku, ტოკიო, პრეზიდენტი: Teruo Fujii) შეიმუშავეს ახალი სასწავლო ალგორითმი, შთაგონებული ტვინის ინფორმაციის დამუშავებით, რომელიც შესაფერისია მრავალშრიანი ხელოვნური ნერვული ქსელებისთვის (DNN) ანალოგური ოპერაციების გამოყენებით. ეს გარღვევა გამოიწვევს ენერგიის მოხმარების შემცირებას და AI-სთვის გამოთვლის დროს. ამ განვითარების შედეგები გამოქვეყნდა ბრიტანულ სამეცნიერო ჟურნალში ბუნება კომუნიკაციების 26 დეკემბერსth.
მკვლევარებმა მიაღწიეს მსოფლიოში პირველ დემონსტრირებას ეფექტურად შესრულებული ოპტიკური DNN სწავლის შესახებ ალგორითმის გამოყენებით DNN-ზე, რომელიც იყენებს ოპტიკურ ანალოგურ გამოთვლას, რომელიც სავარაუდოდ ჩართავს მაღალსიჩქარიან, დაბალი სიმძლავრის მანქანური სწავლის მოწყობილობებს. გარდა ამისა, მათ მიაღწიეს მსოფლიოში ყველაზე მაღალ შესრულებას მრავალ ფენიანი ხელოვნური ნერვული ქსელით, რომელიც იყენებს ანალოგურ ოპერაციებს.
ადრე ციფრული გამოთვლებით ხდებოდა მაღალი დატვირთვის სასწავლო გამოთვლები, მაგრამ ეს შედეგი ადასტურებს, რომ ანალოგური გამოთვლების გამოყენებით შესაძლებელია სასწავლო ნაწილის ეფექტურობის გაუმჯობესება. ღრმა ნერვული ქსელის (DNN) ტექნოლოგიაში, განმეორებადი ნერვული ქსელი, რომელსაც ეწოდება ღრმა რეზერვუარის გამოთვლა, გამოითვლება ოპტიკური პულსის ნეირონად და არაწრფივი ოპტიკური რგოლის, როგორც ნერვული ქსელის რეკურსიული კავშირებით. გამომავალი სიგნალის ხელახლა შეყვანით იმავე ოპტიკურ წრეში ხდება ქსელის ხელოვნურად გაღრმავება.
DNN ტექნოლოგია იძლევა მოწინავე ხელოვნურ ინტელექტს (AI), როგორიცაა მანქანური თარგმანი, ავტონომიური მართვა და რობოტიკა. ამჟამად, საჭირო სიმძლავრე და გამოთვლითი დრო იზრდება ისეთი ტემპით, რომელიც აღემატება ციფრული კომპიუტერების მუშაობის ზრდას. DNN ტექნოლოგია, რომელიც იყენებს ანალოგური სიგნალის გამოთვლებს (ანალოგური ოპერაციები), სავარაუდოდ იქნება ტვინის ნერვული ქსელის მსგავსი მაღალი ეფექტურობის და მაღალი სიჩქარით გამოთვლების განხორციელების მეთოდი. NTT-სა და ტოკიოს უნივერსიტეტს შორის თანამშრომლობით შეიმუშავეს ახალი ალგორითმი, რომელიც შესაფერისია ანალოგური ოპერაციისთვის DNN, რომელიც არ ითვალისწინებს DNN-ში შემავალი სასწავლო პარამეტრების გაგებას.
შემოთავაზებული მეთოდი სწავლობს სწავლის პარამეტრების შეცვლით ქსელის საბოლოო ფენის საფუძველზე და სასურველი გამომავალი სიგნალის (შეცდომის სიგნალის) შეცდომის არაწრფივი შემთხვევითი ტრანსფორმაციის გზით. ეს გაანგარიშება აადვილებს ანალოგური გამოთვლების განხორციელებას ისეთ რამეებში, როგორიცაა ოპტიკური სქემები. ის ასევე შეიძლება გამოყენებულ იქნას არა მხოლოდ როგორც ფიზიკური განხორციელების მოდელი, არამედ როგორც უახლესი მოდელი, რომელიც გამოიყენება აპლიკაციებში, როგორიცაა მანქანური თარგმანი და სხვადასხვა AI მოდელები, მათ შორის DNN მოდელი. მოსალოდნელია, რომ ეს კვლევა ხელს შეუწყობს ხელოვნური ინტელექტის გამოთვლასთან დაკავშირებული პრობლემების გადაჭრას, მათ შორის ენერგიის მოხმარებასა და გაანგარიშების დროის გაზრდას.
ამ ნაშრომში შემოთავაზებული მეთოდის კონკრეტულ პრობლემებთან მიმართებაში შესწავლის გარდა, NTT ასევე ხელს შეუწყობს ოპტიკური აპარატურის ფართომასშტაბიან და მცირე მასშტაბის ინტეგრაციას, მიზნად ისახავს შექმნას მაღალი სიჩქარის, დაბალი სიმძლავრის ოპტიკური გამოთვლითი პლატფორმა მომავალი ოპტიკისთვის. ქსელები.
ამ კვლევის მხარდაჭერა:
JST/CREST-მა მხარი დაუჭირა ამ კვლევის შედეგების ნაწილს.
ჟურნალის გამოცემა:
ჟურნალი: ბუნება კომუნიკაციების (ონლაინ ვერსია: 26 დეკემბერი)
სტატიის სათაური: ფიზიკური ღრმა სწავლება ბიოლოგიურად შთაგონებული ტრენინგის მეთოდით: გრადიენტისგან თავისუფალი მიდგომა ფიზიკური აპარატურისთვის
ავტორები: Mitsumasa Nakajima, Katsuma Inoue, Kenji Tanaka, Yasuo Kuniyoshi, Toshikazu Hashimoto და Kohei Nakajima
ტერმინოლოგიის ახსნა:
- ოპტიკური წრე: წრე, რომელშიც სილიციუმის ან კვარცის ოპტიკური ტალღების გამტარები ინტეგრირებულია სილიკონის ვაფლზე ელექტრონული წრედის წარმოების ტექნოლოგიის გამოყენებით. კომუნიკაციაში ოპტიკური საკომუნიკაციო გზების განშტოება და შერწყმა ხორციელდება ოპტიკური ჩარევით, ტალღის სიგრძის მულტიპლექსირებით/დემულტიპლექსირებით და სხვა.
- Back Propagation (BP) მეთოდი: ღრმა სწავლების ყველაზე ხშირად გამოყენებული სწავლის ალგორითმი. წონების (პარამეტრების) გრადიენტები ქსელში მიიღება შეცდომის სიგნალის უკან გავრცელებისას და წონები განახლდება ისე, რომ შეცდომა უფრო მცირე ხდება. ვინაიდან უკანა გავრცელების პროცესი მოითხოვს ქსელის მოდელის წონის მატრიცის ტრანსპოზიციას და არაწრფივ დიფერენციაციას, ძნელია მისი განხორციელება ანალოგურ სქემებზე, მათ შორის ცოცხალი ორგანიზმის ტვინზე.
- ანალოგური გამოთვლა: კომპიუტერი, რომელიც გამოხატავს რეალურ მნიშვნელობებს
იყენებს ფიზიკურ სიდიდეებს, როგორიცაა სინათლის ინტენსივობა და ფაზა და მაგნიტური ტრიალების მიმართულება და ინტენსივობა და ახორციელებს გამოთვლებს ამ ფიზიკური რაოდენობების შეცვლით ფიზიკის კანონების მიხედვით. - პირდაპირი უკუკავშირის გასწორება (DFA) მეთოდი: თითოეული ფენის შეცდომის სიგნალის ფსევდო გამოთვლის მეთოდი საბოლოო ფენის შეცდომის სიგნალზე არაწრფივი შემთხვევითი ტრანსფორმაციის შესრულებით. ვინაიდან ის არ საჭიროებს ქსელის მოდელის დიფერენციალურ ინფორმაციას და შეიძლება გამოითვალოს მხოლოდ პარალელური შემთხვევითი ტრანსფორმაციით, იგი თავსებადია ანალოგური გამოთვლებით.
- რეზერვუარის გამოთვლა: განმეორებადი ნერვული ქსელის ტიპი, განმეორებადი კავშირებით ფარულ შრეში. მას ახასიათებს კავშირების შემთხვევითი ფიქსაცია შუალედურ ფენაში, რომელსაც ეწოდება რეზერვუარის ფენა. ღრმა რეზერვუარების გამოთვლაში ინფორმაციის დამუშავება ხორციელდება წყალსაცავის ფენების მრავალ ფენაში შეერთებით.
NTT და NTT ლოგო არის NIPPON TELEGRAPH AND TELEPHONE CORPORATION და/ან მისი შვილობილი კომპანიების რეგისტრირებული სავაჭრო ნიშნები ან სავაჭრო ნიშნები. ყველა სხვა მითითებული პროდუქტის სახელები მათი შესაბამისი მფლობელების სავაჭრო ნიშნებია. © 2023 NIPPON TELEGRAPH AND TELEPHONE CORPORATION
საკონტაქტო
სტივენ რასელი
NTT-სთვის
+ 1-804-362-7484
წყარო: https://thenewscrypto.com/ntt-and-the-university-of-tokyo-develop-worlds-first-optical-computing-ai-using-an-algorithm-inspired-by-the-human-brain/