英國(guó)牛津大學(xué)材料系研究人員聯(lián)合?？巳卮髮W(xué)和明斯特大學(xué)的同事開(kāi)發(fā)了一種片上光學(xué)處理器，能檢測(cè)數(shù)據(jù)集中的相似性，速度比在電子處理器上運(yùn)行的傳統(tǒng)機(jī)器學(xué)習(xí)算法快1000倍。發(fā)表在《光學(xué)》雜志上的這項(xiàng)新研究的靈感來(lái)自諾貝爾獎(jiǎng)獲得者伊萬(wàn)·巴甫洛夫?qū)?jīng)典條件反射的發(fā)現(xiàn)。
巴甫洛夫在實(shí)驗(yàn)中發(fā)現(xiàn)，如果在喂食過(guò)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(yàn)聯(lián)系起來(lái)，那它只聽(tīng)到聲音就會(huì)流口水。兩個(gè)不相關(guān)的事件配對(duì)在一起的重復(fù)關(guān)聯(lián)可產(chǎn)生學(xué)習(xí)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(xué)習(xí)過(guò)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(shí)別出貓，可能需要多達(dá)10000張貓/非貓圖像，造成計(jì)算和處理成本居高不下。
關(guān)聯(lián)單子學(xué)習(xí)元素（AMLE）不是依靠神經(jīng)網(wǎng)絡(luò)青睞的反向傳播來(lái)“微調(diào)”結(jié)果，而是使用一種記憶材料來(lái)學(xué)習(xí)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(cè)試中，僅用5對(duì)圖像訓(xùn)練后，AMLE就可正確識(shí)別貓/非貓圖像。
與傳統(tǒng)電子芯片相比，新型光學(xué)芯片具有相當(dāng)可觀的性能，這歸因于設(shè)計(jì)上的兩個(gè)關(guān)鍵差異：一種獨(dú)特的網(wǎng)絡(luò)架構(gòu)，將聯(lián)想學(xué)習(xí)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(gè)通道上發(fā)送不同波長(zhǎng)的多個(gè)光信號(hào)，以提高計(jì)算速度。
該設(shè)備自然地捕捉數(shù)據(jù)集中的相似性，同時(shí)使用光并行以提高整體計(jì)算速度，這遠(yuǎn)遠(yuǎn)超過(guò)了傳統(tǒng)電子芯片的能力。
研究人員表示，聯(lián)想學(xué)習(xí)方法可作為神經(jīng)網(wǎng)絡(luò)的補(bǔ)充，而不是取代它們。對(duì)于不需要對(duì)數(shù)據(jù)集中高度復(fù)雜的特征進(jìn)行大量分析的問(wèn)題，它更有效。許多學(xué)習(xí)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(xué)習(xí)可更快地完成任務(wù)，并且計(jì)算成本更低。
