英國牛津大學材料係研究人員聯合埃克塞特大學和明斯特大學的同事開發了一種片上光學處理器,能檢測數據集中的相似性,速度比在電子處理器上運作的傳統機器學習演算法快1000倍。發表在《光學》雜誌上的這項新研究的靈感來自諾貝爾獎獲得者伊萬·巴甫洛夫對經典條件反射的發現。
巴甫洛夫在實驗中發現,如果在喂食過程中提供另一種刺激,例如鈴鐺或節拍器的聲音,使狗將這兩種體驗聯繫起來,那它只聽到聲音就會流口水。兩個不相關的事件配對在一起的重復關聯可産生學習反應,也就是條件反射。
大多數AI系統中使用的神經網路在學習過程中通常需要大量數據示例,比如訓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。
關聯單子學習元素(AMLE)不是依靠神經網路青睞的反向傳播來“微調”結果,而是使用一種記憶材料來學習模式,將數據集中的相似特徵關聯在一起,以模倣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對圖像訓練後,AMLE就可正確識別貓/非貓圖像。
與傳統電子晶片相比,新型光學晶片具有相當可觀的性能,這歸因于設計上的兩個關鍵差異:一種獨特的網路架構,將聯想學習作為構建塊,而不是使用神經元和神經網路;使用“波分復用”在單個通道上發送不同波長的多個光信號,以提高計算速度。
該設備自然地捕捉數據集中的相似性,同時使用光並行以提高整體計算速度,這遠遠超過了傳統電子晶片的能力。
研究人員表示,聯想學習方法可作為神經網路的補充,而不是取代它們。對於不需要對數據集中高度複雜的特徵進行大量分析的問題,它更有效。許多學習任務都是基於數量的,複雜程度並不高。在這些情況下,聯想學習可更快地完成任務,並且計算成本更低。
【總編輯圈點】
巴甫洛夫的狗,一個經典實驗。巴甫洛夫讓狗把搖鈴和食物建立聯繫,讓它們在聽到聲音時,即使見不到食物,也能流下口水。只要訓練得當,就能在相干的事物之間建立聯繫。這種建立聯繫的過程,其實也是一種廣義的“學習”。面對機器,科研人員也一直在探索如何實現小樣本學習。本文介紹了一種光學處理器,可將數據集中的相似特徵關聯到一起,從而能更快地處理機器學習演算法。看,即使是訓練人工智慧,也可以從心理學等學科中找到靈感和解法。