NTT және Токио университеті адам миынан шабыттандырылған алгоритмді пайдалана отырып, әлемдегі алғашқы оптикалық есептеуіш интеллектіні әзірледі.

Ынтымақтастық оптикалық есептеулерге негізделген төмен қуатты, жоғары жылдамдықты AI практикалық қолдануын алға жылжытады

ТОКИО–(BUSINESS WIRE)–#TechforGood-NTT корпорациясы (Президент және бас директор: Акира Шимада, «NTT») және Токио университеті (Бункио-ку, Токио, Президент: Теруо Фудзии) аналогтық операцияларды қолдана отырып, көп қабатты жасанды нейрондық желілерге (DNN) қолайлы мидың ақпаратты өңдеуінен шабыттанған жаңа оқыту алгоритмін ойлап тапты. Бұл серпіліс қуатты тұтынуды және AI үшін есептеу уақытын қысқартуға әкеледі. Бұл дамудың нәтижелері британдық ғылыми журналда жарияланды Табиғат Communications 26 желтоқсанда^th.

Зерттеушілер жоғары жылдамдықты, төмен қуатты машиналық оқыту құрылғыларын іске қосатын оптикалық аналогтық есептеулерді қолданатын DNN-ге алгоритмді қолдану арқылы тиімді орындалған оптикалық DNN оқытудың әлемдегі алғашқы көрсетіліміне қол жеткізді. Сонымен қатар, олар аналогтық операцияларды қолданатын көпқабатты жасанды нейрондық желінің әлемдегі ең жоғары өнімділігіне қол жеткізді.

Бұрын жоғары жүктемелі оқу есептеулері цифрлық есептеулер арқылы орындалатын, бірақ бұл нәтиже аналогтық есептеулерді қолдану арқылы оқу бөлігінің тиімділігін арттыруға болатынын дәлелдейді. Терең нейрондық желі (DNN) технологиясында терең резервуарды есептеу деп аталатын қайталанатын нейрондық желі нейрон ретінде оптикалық импульсті және рекурсивті қосылымдары бар нейрондық желі ретінде сызықты емес оптикалық сақинаны қабылдау арқылы есептеледі. Сол оптикалық схемаға шығыс сигналды қайта енгізу арқылы желі жасанды түрде тереңдетіледі.

DNN технологиясы машиналық аударма, автономды жүргізу және робототехника сияқты жетілдірілген жасанды интеллектке (AI) мүмкіндік береді. Қазіргі уақытта талап етілетін қуат пен есептеу уақыты цифрлық компьютерлердің өнімділігінің өсуінен асып түсетін жылдамдықпен артып келеді. Аналогтық сигнал есептеулерін (аналогтық операциялар) қолданатын DNN технологиясы мидың нейрондық желісіне ұқсас жоғары тиімділік пен жоғары жылдамдықтағы есептеулерді жүзеге асыру әдісі болады деп күтілуде. NTT және Токио университетінің ынтымақтастығы DNN аналогтық операциясы үшін қолайлы жаңа алгоритмді әзірледі, ол DNN құрамына кіретін оқу параметрлерін түсінуді болжамайды.

Ұсынылған әдіс желінің соңғы қабаты негізінде оқыту параметрлерін өзгерту және қажетті шығыс сигналының қателігін (қателік сигнал) сызықты емес кездейсоқ түрлендіру арқылы үйренеді. Бұл есептеу оптикалық тізбектер сияқты нәрселерде аналогтық есептеулерді орындауды жеңілдетеді. Сондай-ақ оны физикалық іске асыру үлгісі ретінде ғана емес, сонымен қатар машиналық аударма және әртүрлі AI үлгілері, соның ішінде DNN моделі сияқты қолданбаларда қолданылатын озық үлгі ретінде де пайдалануға болады. Бұл зерттеу қуатты тұтынуды және есептеу уақытын ұлғайтуды қоса, AI есептеулерімен байланысты туындайтын мәселелерді шешуге ықпал етеді деп күтілуде.

Осы мақалада ұсынылған әдістің нақты мәселелерге қолданылуын зерттеумен қатар, NTT болашақ оптикалық құрылғылар үшін жоғары жылдамдықты, төмен қуатты оптикалық есептеу платформасын құруды мақсат етіп, оптикалық жабдықтың ауқымды және шағын ауқымды интеграциясына ықпал етеді. желілер.

Осы зерттеуге қолдау көрсету:

JST/CREST осы зерттеу нәтижелерінің бір бөлігін қолдады.

Журнал басылымы:

Журнал: Табиғат Communications (Онлайн нұсқасы: 26 желтоқсан)

Мақала тақырыбы: Биологиялық шабыттандырылған жаттығу әдісімен физикалық терең білім: физикалық жабдыққа арналған градиентсіз тәсіл

Авторлары: Мицумаса Накадзима, Катсума Иноуэ, Кенджи Танака, Ясуо Куниёши, Тошиказу Хашимото және Кохей Накадзима

Терминологияға түсініктеме:

1. Оптикалық схема: кремний немесе кварц оптикалық толқын өткізгіштері электрондық схемаларды жасау технологиясын пайдалана отырып, кремний пластинасына біріктірілген схема. Байланыста оптикалық байланыс жолдарының тармақталуы және біріктірілуі оптикалық кедергі, толқын ұзындығын мультиплексирлеу/демультиплекстеу және т.б.
2. Backpropagation (BP) әдісі: Терең оқытуда ең жиі қолданылатын оқыту алгоритмі. Желідегі салмақтардың (параметрлердің) градиенттері қате сигналын кері тарату кезінде алынады, ал салмақтар қате кішірейетіндей жаңартылады. Кері таралу процесі желілік модельдің салмақтық матрицасының транспозициясын және сызықты емес дифференциацияны қажет ететіндіктен, оны аналогтық схемаларда, соның ішінде тірі ағзаның миында жүзеге асыру қиын.
3. Аналогтық есептеулер: нақты мәндерді өрнектейтін компьютер жарықтың интенсивтілігі мен фазасы және магниттік спиндердің бағыты мен интенсивтілігі сияқты физикалық шамаларды пайдаланып, осы физикалық шамаларды физика заңдары бойынша өзгерту арқылы есептеулер жүргізеді.
4. Тікелей кері байланысты теңестіру (DFA) әдісі: соңғы қабаттың қате сигналында сызықты емес кездейсоқ түрлендіруді орындау арқылы әрбір қабаттың қателік сигналын жалған есептеу әдісі. Ол желілік модельдің дифференциалды ақпаратын қажет етпейтіндіктен және тек параллель кездейсоқ түрлендіру арқылы есептелуі мүмкін болғандықтан, ол аналогтық есептеумен үйлесімді.
5. Резервуарды есептеу: жасырын қабаттағы қайталанатын қосылымдары бар қайталанатын нейрондық желінің түрі. Ол резервуар қабаты деп аталатын аралық қабатта кездейсоқ бекітілетін байланыстармен сипатталады. Терең қабаттарды есептеуде ақпаратты өңдеу коллекторлық қабаттарды бірнеше қабаттарда қосу арқылы жүзеге асырылады.

NTT және NTT логотипі NIPPON TELEGRAPH AND TELEPHONE CORPORATION және/немесе оның филиалдарының тіркелген сауда белгілері немесе сауда белгілері болып табылады. Барлық басқа сілтеме жасалған өнім атаулары олардың сәйкес иелерінің сауда белгілері болып табылады. © 2023 NIPPON TELEGRAPH AND TELEPHONE CORPORATION

Байланыс

Стивен Рассел

Сымды байланыстар®

NTT үшін

+ 1-804-362-7484

[электрондық пошта қорғалған]