Home Notizie recenti Vedere la luce: i ricercatori sviluppano un nuovo sistema di intelligenza artificiale...

Vedere la luce: i ricercatori sviluppano un nuovo sistema di intelligenza artificiale utilizzando la luce per apprendere in modo associativo

20
0

Credito: James Tan You Sian

I ricercatori del Dipartimento dei materiali dell’Università di Oxford, in collaborazione con i colleghi di Exeter e Munster, hanno sviluppato un processore ottico su chip in grado di rilevare somiglianze nei set di dati fino a 1.000 volte più velocemente rispetto ai convenzionali algoritmi di apprendimento automatico eseguiti su processori elettronici.

La nuova ricerca pubblicata in ottica ha preso ispirazione dalla scoperta del condizionamento classico del premio Nobel Ivan Pavlov. Nei suoi esperimenti, Pavlov ha scoperto che fornendo un altro stimolo durante l’alimentazione, come il suono di una campana o di un metronomo, i suoi cani hanno iniziato a collegare le due esperienze e salivano solo al suono. Le ripetute associazioni di due eventi non correlati accoppiati insieme potrebbero produrre una risposta appresa, un riflesso condizionale.

Il co-primo autore, il dottor James Tan You Sian, che ha svolto questo lavoro come parte del suo dottorato di ricerca presso il Dipartimento dei materiali dell’Università di Oxford, ha affermato: “L’apprendimento associativo pavloviano è considerato una forma base di apprendimento che modella il comportamento degli esseri umani e animali, ma l’adozione nei sistemi di intelligenza artificiale è in gran parte sconosciuta. La nostra ricerca sull’apprendimento pavloviano in tandem con l’elaborazione parallela ottica dimostra l’entusiasmante potenziale per una varietà di compiti di intelligenza artificiale”.

Le reti neurali utilizzate nella maggior parte dei sistemi di intelligenza artificiale spesso richiedono un numero considerevole di esempi di dati durante un processo di apprendimento: addestrare un modello per riconoscere in modo affidabile un gatto potrebbe utilizzare fino a 10.000 immagini di gatto/non gatto, a un costo computazionale e di elaborazione.

Piuttosto che fare affidamento sulla backpropagation favorita dalle reti neurali per “mettere a punto” i risultati, l’Associative Monadic Learning Element (AMLE) utilizza un materiale di memoria che apprende schemi per associare caratteristiche simili nei set di dati, imitando il riflesso condizionale osservato da Pavlov nel caso di una “partita”.

Vedere la luce: i ricercatori sviluppano un nuovo sistema di intelligenza artificiale utilizzando la luce per apprendere in modo associativo

Credito: Zeng Guang Cheng

Gli ingressi AMLE sono accoppiati con le uscite corrette per supervisionare il processo di apprendimento e il materiale di memoria può essere ripristinato utilizzando segnali luminosi. Durante i test, l’AMLE potrebbe identificare correttamente le immagini di gatto/non gatto dopo essere stato addestrato con solo cinque coppie di immagini.

Le notevoli capacità prestazionali del nuovo chip ottico rispetto a un chip elettronico convenzionale sono dovute a due differenze chiave nel design:

  • Un’architettura di rete unica che incorpora l’apprendimento associativo come elemento costitutivo anziché utilizzare neuroni e una rete neurale
  • L’uso del “multiplexing a divisione di lunghezza d’onda” per inviare più segnali ottici su diverse lunghezze d’onda su un singolo canale per aumentare la velocità di calcolo

L’hardware del chip utilizza la luce per inviare e recuperare i dati per massimizzare la densità delle informazioni: diversi segnali su diverse lunghezze d’onda vengono inviati contemporaneamente per l’elaborazione parallela che aumenta la velocità di rilevamento delle attività di riconoscimento. Ogni lunghezza d’onda aumenta la velocità di calcolo.

Il professor Wolfram Pernice, coautore dell’Università di Münster, ha spiegato: “Il dispositivo cattura naturalmente le somiglianze nei set di dati mentre lo fa in parallelo utilizzando la luce per aumentare la velocità di calcolo complessiva, che può superare di gran lunga le capacità dei chip elettronici convenzionali”.

Un approccio di apprendimento associativo potrebbe integrare le reti neurali piuttosto che sostituirle, ha chiarito il co-primo autore, il professor Zengguang Cheng, ora alla Fudan University.

“È più efficiente per problemi che non richiedono un’analisi sostanziale di caratteristiche altamente complesse nei set di dati”, ha affermato il professor Cheng. “Molte attività di apprendimento sono basate sul volume e non hanno quel livello di complessità: in questi casi, l’apprendimento associativo può completare le attività più rapidamente e con un costo computazionale inferiore”.

“È sempre più evidente che l’IA sarà al centro di molte innovazioni a cui assisteremo nella prossima fase della storia umana. Questo lavoro apre la strada alla realizzazione di processori ottici veloci che acquisiscono associazioni di dati per particolari tipi di calcoli di intelligenza artificiale, sebbene ci siano ancora molte sfide entusiasmanti davanti”, ha affermato il professor Harish Bhaskaran, che ha guidato lo studio.


Articolo precedenteI tweet suggeriscono che le persone hanno consumato cibi più sani durante la pandemia
Articolo successivoIl FMI rivede la crescita della Cina nel 2022 dell’1,1%, prevede importanti ricadute globali