NTT ve Tokyo Üniversitesi, İnsan Beyninden Esinlenen Bir Algoritma Kullanarak Dünyanın İlk Optik Hesaplama Yapay Zekasını Geliştirdi

İşbirliği, optik hesaplamaya dayalı düşük güçlü, yüksek hızlı yapay zekanın pratik uygulamasını ilerletir

TOKYO–(İŞ TELİ)–#İyilik İçinTeknoloji-NTT Şirketi (Başkan ve CEO: Akira Shimada, “NTT”) ve Tokyo Üniversitesi (Bunkyo-ku, Tokyo, Başkan: Teruo Fujii), analog işlemleri kullanan çok katmanlı yapay sinir ağları (DNN) için uygun, beynin bilgi işlemesinden ilham alan yeni bir öğrenme algoritması geliştirdi. Bu atılım, yapay zeka için güç tüketiminde ve hesaplama süresinde azalmaya yol açacaktır. Bu gelişmenin sonuçları İngiliz bilim dergisinde yayımlandı. Doğa İletişim 26 Aralık^th.

Araştırmacılar, yüksek hızlı, düşük güçlü makine öğrenimi cihazlarını etkinleştirmesi beklenen optik analog hesaplamayı kullanan bir DNN'ye algoritmayı uygulayarak verimli bir şekilde yürütülen optik DNN öğreniminin dünyanın ilk gösterimini gerçekleştirdiler. Ayrıca, analog işlemleri kullanan çok katmanlı yapay sinir ağı konusunda dünyanın en yüksek performansını elde etmişler.

Geçmişte, yüksek yüklü öğrenme hesaplamaları dijital hesaplamalarla yapılırdı, ancak bu sonuç, analog hesaplamalar kullanarak öğrenme kısmının verimliliğini artırmanın mümkün olduğunu kanıtlıyor. Derin Sinir Ağı (DNN) teknolojisinde, derin rezervuar hesaplama adı verilen tekrarlayan bir sinir ağı, bir optik darbenin bir nöron ve doğrusal olmayan bir optik halkanın yinelemeli bağlantılara sahip bir sinir ağı olduğu varsayılarak hesaplanır. Çıkış sinyalinin aynı optik devreye yeniden girilmesiyle ağ yapay olarak derinleştirilir.

DNN teknolojisi, makine çevirisi, otonom sürüş ve robotik gibi gelişmiş yapay zekaya (AI) olanak tanır. Şu anda, gereken güç ve hesaplama süresi, dijital bilgisayarların performansındaki büyümeyi aşan bir oranda artıyor. Analog sinyal hesaplamalarını (analog işlemleri) kullanan DNN teknolojisinin, beynin sinir ağına benzer yüksek verimli ve yüksek hızlı hesaplamaları gerçekleştirme yöntemi olması bekleniyor. NTT ve Tokyo Üniversitesi arasındaki işbirliği, DNN'de yer alan öğrenme parametrelerinin anlaşıldığını varsaymayan analog işlem DNN'si için uygun yeni bir algoritma geliştirdi.

Önerilen yöntem, ağın son katmanına dayalı olarak öğrenme parametrelerini değiştirerek ve istenen çıkış sinyalinin (hata sinyali) hatasının doğrusal olmayan rasgele dönüşümü ile öğrenir. Bu hesaplama, optik devreler gibi şeylerde analog hesaplamaların uygulanmasını kolaylaştırır. Ayrıca yalnızca fiziksel uygulama için bir model olarak değil, aynı zamanda makine çevirisi ve DNN modeli de dahil olmak üzere çeşitli AI modelleri gibi uygulamalarda kullanılan son teknoloji bir model olarak da kullanılabilir. Bu araştırmanın, güç tüketimi ve artan hesaplama süresi dahil olmak üzere yapay zeka bilgi işlemiyle ilişkili ortaya çıkan sorunların çözülmesine katkıda bulunması bekleniyor.

NTT, bu belgede önerilen yöntemin belirli sorunlara uygulanabilirliğini incelemenin yanı sıra, optik donanımın büyük ölçekli ve küçük ölçekli entegrasyonunu da teşvik edecek ve geleceğin optik sistemleri için yüksek hızlı, düşük güçlü bir optik bilgi işlem platformu oluşturmayı amaçlayacaktır. ağlar.

Bu Araştırmaya Destek:

JST/CREST, bu araştırma sonuçlarının bir kısmını destekledi.

Dergi Yayını:

Dergi: Doğa İletişim (Çevrimiçi sürüm: 26 Aralık)

Makale Başlığı: Biyolojiden İlham Alan Eğitim Yöntemiyle Fiziksel Derin Öğrenme: Fiziksel Donanım için Gradyansız Yaklaşım

Yazarlar: Mitsumasa Nakajima, Katsuma Inoue, Kenji Tanaka, Yasuo Kuniyoshi, Toshikazu Hashimoto ve Kohei Nakajima

Terminolojinin Açıklaması:

1. Optik devre: Silikon veya kuvars optik dalga kılavuzlarının, elektronik devre üretim teknolojisi kullanılarak bir silikon plaka üzerine entegre edildiği bir devre. İletişimde, optik iletişim yollarının dallanması ve birleştirilmesi, optik girişim, dalga boyu çoğullama/çoğullamayı çözme ve benzerleri ile gerçekleştirilir.
2. Geri yayılım (BP) yöntemi: Derin öğrenmede en sık kullanılan öğrenme algoritmasıdır. Hata sinyali geriye doğru yayılırken ağdaki ağırlıkların (parametrelerin) gradyanları elde edilir ve ağırlıklar güncellenerek hata küçülür. Geri yayılım süreci, ağ modelinin ağırlık matrisinin yer değiştirmesini ve doğrusal olmayan farklılaşmayı gerektirdiğinden, canlı bir organizmanın beyni de dahil olmak üzere analog devrelerde uygulanması zordur.
3. Analog hesaplama: Gerçek değerleri ifade eden bir bilgisayar ışığın şiddeti ve fazı ile manyetik spinlerin yönü ve şiddeti gibi fiziksel büyüklükleri kullanır ve bu fiziksel büyüklükleri fizik kanunlarına göre değiştirerek hesaplamalar yapar.
4. Doğrudan geri besleme hizalama (DFA) yöntemi: Son katmanın hata sinyali üzerinde doğrusal olmayan rastgele bir dönüşüm gerçekleştirerek her katmanın hata sinyalini sözde hesaplama yöntemi. Ağ modelinin diferansiyel bilgisini gerektirmediği ve sadece paralel rasgele dönüşüm ile hesaplanabildiği için analog hesaplama ile uyumludur.
5. Rezervuar hesaplama: Gizli katmanda tekrarlayan bağlantılara sahip bir tür tekrarlayan sinir ağı. Rezervuar tabakası adı verilen bir ara tabakada rastgele sabitlenen bağlantılarla karakterize edilir. Derin rezerv hesaplamada, bilgi işleme, rezervuar katmanlarını birden çok katmana bağlayarak gerçekleştirilir.

NTT ve NTT logosu, NIPPON TELEGRAPH AND TELEPHONE CORPORATION ve/veya bağlı kuruluşlarının tescilli ticari markaları veya ticari markalarıdır. Referans verilen diğer tüm ürün adları, ilgili sahiplerinin ticari markalarıdır. © 2023 NIPPON TELGRAF VE TELEFON ŞİRKETİ

Bize Ulaşın

Stephen Russel

Kablolu İletişim®

NTT için

+ 1 804-362-7484

[e-posta korumalı]