NTT болон Токиогийн их сургууль хүний ​​тархинаас өдөөгдсөн алгоритм ашиглан дэлхийн анхны оптик тооцооллын хиймэл оюун ухааныг бүтээжээ.

Хамтын ажиллагаа нь оптик тооцоололд суурилсан бага чадалтай, өндөр хурдны хиймэл оюун ухааныг практик хэрэглээг ахиулдаг

ТОКИО–(BUSINESS WIRE)–#TechforGood-NTT корпораци (Ерөнхийлөгч ба гүйцэтгэх захирал: Акира Шимада, “NTT”) болон Токио хотын их сургууль (Бункио-ку, Токио, Ерөнхийлөгч: Теруо Фүжи) аналог үйлдлүүдийг ашиглан олон давхаргат хиймэл мэдрэлийн сүлжээ (DNN)-д тохирох тархины мэдээлэл боловсруулалтаас сэдэвлэсэн сургалтын шинэ алгоритмыг зохион бүтээжээ. Энэхүү нээлт нь AI-ийн эрчим хүчний хэрэглээ болон тооцоолох хугацааг багасгахад хүргэнэ. Энэхүү хөгжлийн үр дүнг Британийн шинжлэх ухааны сэтгүүлд нийтлэв Байгаль Харилцаа холбоо 26-р сарын XNUMX-нд^th.

Судлаачид өндөр хурдтай, бага чадалтай машин сургалтын төхөөрөмжийг идэвхжүүлэх боломжтой оптик аналог тооцоолол ашигладаг DNN-д алгоритмыг хэрэглэснээр үр дүнтэй гүйцэтгэсэн оптик DNN сургалтын дэлхийн анхны үзүүлбэрт хүрсэн байна. Нэмж дурдахад тэд аналог үйлдлүүдийг ашигладаг олон давхаргат хиймэл мэдрэлийн сүлжээний дэлхийн хамгийн өндөр үзүүлэлтэд хүрсэн байна.

Өмнө нь өндөр ачаалалтай сургалтын тооцоог дижитал тооцоогоор хийдэг байсан бол энэ үр дүн нь аналог тооцоог ашиглан сургалтын хэсгийн үр ашгийг дээшлүүлэх боломжтойг баталж байна. Deep Neural Network (DNN) технологид гүний нөөцийн тооцоолол гэж нэрлэгддэг давтагдах мэдрэлийн сүлжээг оптик импульсийг нейрон, шугаман бус оптик цагирагыг рекурсив холболттой мэдрэлийн сүлжээ гэж тооцож тооцдог. Нэг оптик хэлхээнд гаралтын дохиог дахин оруулснаар сүлжээг зохиомлоор гүнзгийрүүлнэ.

DNN технологи нь машин орчуулга, бие даасан жолоодлого, робот техник зэрэг дэвшилтэт хиймэл оюун ухааныг (AI) хийх боломжийг олгодог. Одоогийн байдлаар эрчим хүч, тооцоолоход шаардагдах хугацаа нь дижитал компьютерийн гүйцэтгэлийн өсөлтөөс давсан хурдаар нэмэгдэж байна. Аналог дохионы тооцоолол (аналог ажиллагаа) ашигладаг DNN технологи нь тархины мэдрэлийн сүлжээтэй төстэй өндөр үр ашигтай, өндөр хурдтай тооцоолол хийх арга байх төлөвтэй байна. NTT болон Токиогийн их сургуулийн хамтын ажиллагаа нь DNN-д багтсан сургалтын параметрүүдийг ойлгохгүй байх аналог үйлдлийн DNN-д тохирсон шинэ алгоритмыг боловсруулсан.

Санал болгож буй арга нь сүлжээний эцсийн давхарга болон хүссэн гаралтын дохионы (алдааны дохио) алдааны шугаман бус санамсаргүй хувиргалт дээр үндэслэн сургалтын параметрүүдийг өөрчлөх замаар суралцдаг. Энэхүү тооцоолол нь оптик хэлхээ гэх мэт зүйлсэд аналог тооцооллыг хэрэгжүүлэхэд хялбар болгодог. Үүнийг зөвхөн биет хэрэгжүүлэх загвар болгон ашиглахаас гадна машины орчуулга, төрөл бүрийн хиймэл оюун ухааны загвар, түүний дотор DNN загвар гэх мэт хэрэглээнд ашигладаг хамгийн сүүлийн үеийн загвар болгон ашиглаж болно. Энэхүү судалгаа нь AI тооцоололтой холбоотой шинээр гарч ирж буй асуудлууд, тухайлбал эрчим хүчний зарцуулалт, тооцооллын хугацааг нэмэгдүүлэхэд хувь нэмэр оруулна гэж үзэж байна.

Энэхүү баримт бичигт санал болгож буй аргыг тодорхой асуудлуудад ашиглах боломжтой эсэхийг судлахаас гадна NTT нь оптик техник хангамжийн том, жижиг хэмжээний интеграцийг дэмжих бөгөөд ирээдүйн оптикийн хувьд өндөр хурдтай, бага чадлын оптик тооцоолох платформыг бий болгох зорилготой юм. сүлжээнүүд.

Энэхүү судалгааг дэмжих:

JST/CREST нь эдгээр судалгааны үр дүнгийн нэг хэсгийг дэмжсэн.

Сэтгүүлийн хэвлэл:

сэтгүүл: Байгаль Харилцаа холбоо (Онлайн хувилбар: 26-р сарын XNUMX)

Өгүүллийн гарчиг: Биологийн сүнслэг нөлөө бүхий сургалтын аргаар бие бялдрын гүн гүнзгий суралцах нь: Физик техник хангамжид градиентгүй хандлага

Зохиогчид: Мицумаса Накажима, Кацума Иноуэ, Кэнжи Танака, Ясуо Куниёши, Тошиказу Хашимото, Кохэй Накажима

Нэр томъёоны тайлбар:

1. Оптик хэлхээ: Цахиур эсвэл кварцын оптик долгион хөтлүүрүүдийг цахим хэлхээний үйлдвэрлэлийн технологийг ашиглан цахиур хавтан дээр нэгтгэсэн хэлхээ. Харилцаа холбооны хувьд оптик холболтын замыг салбарлах, нэгтгэх нь оптик интерференц, долгионы уртыг олон талт болгох/демултиплекс хийх гэх мэт аргаар гүйцэтгэдэг.
2. Backpropagation (BP) арга: Гүнзгий суралцахад хамгийн түгээмэл хэрэглэгддэг сургалтын алгоритм. Сүлжээнд байгаа жингийн градиент (параметр) нь алдааны дохиог ухраах явцад олж авдаг бөгөөд жинг нь шинэчилж, алдаа багасдаг. Буцах тархалтын процесс нь сүлжээний загварын жингийн матрицыг шилжүүлэх, шугаман бус ялгахыг шаарддаг тул аналог хэлхээ, түүний дотор амьд организмын тархи дээр хэрэгжүүлэхэд хэцүү байдаг.
3. Аналог тооцоолол: Бодит утгыг илэрхийлдэг компьютер гэрлийн эрч хүч, фаз, соронзон эргэлтийн чиглэл, эрчим зэрэг физик хэмжигдэхүүнүүдийг ашиглан эдгээр физик хэмжигдэхүүнүүдийг физикийн хуулийн дагуу өөрчлөх замаар тооцоолно.
4. Шууд эргэх холбоо (DFA) арга: Төгсгөлийн давхаргын алдааны дохион дээр шугаман бус санамсаргүй хувиргалт хийх замаар давхарга бүрийн алдааны дохиог псевдо тооцоолох арга. Энэ нь сүлжээний загварын дифференциал мэдээлэл шаарддаггүй бөгөөд зөвхөн параллель санамсаргүй хувиргалтаар тооцоолох боломжтой тул аналог тооцоололд нийцдэг.
5. Reservoir computing: Далд давхарга дахь давтагдах холболттой давтагдах мэдрэлийн сүлжээний төрөл. Энэ нь усан сангийн давхарга гэж нэрлэгддэг завсрын давхарга дахь холболтыг санамсаргүй байдлаар тогтоосноор тодорхойлогддог. Усан сангийн гүний тооцоололд мэдээллийн боловсруулалтыг усан сангийн давхаргыг олон давхаргаар холбох замаар гүйцэтгэдэг.

NTT болон NTT лого нь NIPPON TELEGRAPH AND TELEPHONE CORPORATION болон/эсвэл түүний харьяа байгууллагуудын бүртгэлтэй худалдааны тэмдэг эсвэл худалдааны тэмдэг юм. Бусад бүх иш татсан бүтээгдэхүүний нэр нь тус тусын эзэмшигчийн худалдааны тэмдэг юм. © 2023 NIPPON TELEGRAPH AND TELEPHONE CORPORATION

Холбоо барих

Стивен Рассел

Wireside Communications®

NTT-ийн хувьд

+ 1-804-362-7484

[имэйлээр хамгаалагдсан]