تعمل الخوارزمية الضوئية على تبسيط تدريب الذكاء الاصطناعي التناظري

طور الباحثون مجموعة من أنظمة التعلم الآلي التناظرية وغيرها من أنظمة التعلم الآلي غير التقليدية متوقعين أنها ستثبت أنها أكثر كفاءة في استخدام الطاقة من أجهزة الكمبيوتر الحالية. لكن تدريب هؤلاء الذكاء الاصطناعي على أداء مهامهم كان حجر عثرة كبير. يقول الباحثون في NTT Device Technology Labs وجامعة طوكيو الآن إنهم توصلوا إلى خوارزمية تدريب (أعلنت عنها NTT الشهر الماضي) تقطع شوطًا طويلاً نحو السماح لهذه الأنظمة بالوفاء بوعودها.

وتمثل نتائجهم ، التي تم إنشاؤها على جهاز كمبيوتر تناظري بصري ، تقدمًا نحو الحصول على مكاسب الكفاءة المحتملة التي سعى إليها الباحثون منذ فترة طويلة من معماريات الكمبيوتر “غير التقليدية”.

تستخدم برامج الذكاء الاصطناعي الحديثة بنية مستوحاة من الناحية البيولوجية تسمى الشبكة العصبية الاصطناعية لتنفيذ مهام مثل التعرف على الصور أو إنشاء النص. يجب تعديل أو تدريب قوة الاتصالات بين الخلايا العصبية الاصطناعية ، التي تتحكم في مخرجات الحساب ، باستخدام الخوارزميات القياسية. يُطلق على أبرز هذه الخوارزميات اسم backpropagation ، والذي يقوم بتحديث نقاط قوة الاتصال لتقليل أخطاء الشبكة ، أثناء معالجة البيانات التجريبية. نظرًا لأن التعديلات التي يتم إجراؤها على بعض المعلمات تعتمد على التعديلات التي يتم إجراؤها على أخرى ، فهناك حاجة لتمرير المعلومات وتوجيهها بشكل نشط بواسطة الكمبيوتر.

مثل نطاق لقد أوضح في مكان آخر ، “الخطأ backpropagation هو مثل تشغيل الاستدلال في الاتجاه المعاكس ، والانتقال من الطبقة الأخيرة من الشبكة إلى الطبقة الأولى ؛ يقوم تحديث الوزن بعد ذلك بدمج المعلومات من تشغيل الاستدلال الأمامي الأصلي مع هذه الأخطاء المُعاد نشرها لضبط أوزان الشبكة بطريقة تجعل النموذج أكثر دقة. “

غالبًا ما لا تستطيع معماريات الحوسبة البديلة ، التي تتاجر بالتعقيد من أجل الكفاءة ، تنفيذ تمرير المعلومات المطلوبة بواسطة الخوارزمية. نتيجة لذلك ، يجب الحصول على المعلمات المدربة للشبكة من محاكاة فيزيائية مستقلة لإعداد الأجهزة بالكامل ومعالجة المعلومات الخاصة بها. لكن إنشاء محاكاة بجودة كافية يمكن أن يمثل تحديًا بحد ذاته.

قال كاتسوما إينو من NTT Device Technology Labs ، أحد الباحثين المشاركين في الدراسة: “لقد وجدنا أنه من الصعب جدًا تطبيق خوارزميات التكاثر العكسي على أجهزتنا”. “كانت هناك دائمًا فجوة بين النموذج الرياضي والجهاز الحقيقي ، بسبب عدة عوامل ، مثل الضوضاء المادية والنمذجة غير الدقيقة.”

أدت صعوبة تنفيذ backpropagation المؤلفين إلى دراسة وتنفيذ خوارزمية تدريب بديلة. إنه يعتمد على خوارزمية تسمى محاذاة التغذية الراجعة المباشرة (DFA) ، تم تقديمها لأول مرة في ورقة من عام 2016. قللت هذه الخوارزمية من الحاجة إلى تمرير المعلومات أثناء التدريب وبالتالي إلى أي مدى يحتاج النظام المادي إلى المحاكاة. تلغي خوارزمية “DFA المعززة” الجديدة للمؤلفين تمامًا الحاجة إلى أي محاكاة تفصيلية للجهاز.

لدراسة واختبار الخوارزمية ، قاموا بتطبيقها على كمبيوتر تناظري بصري. في ذلك ، يتم تمثيل الروابط بين الخلايا العصبية على أنها شدة الضوء التي تنتقل عبر حلقة من الألياف الضوئية بدلاً من الأرقام الممثلة رقميًا. يتم تمثيل اتصالات الشبكة العصبية بكثافة الحزمة الضوئية التي يتم تمريرها عبر ألياف بصرية على شكل حلقة.

قال دانيال برونر من معهد FEMTO-ST ، وهو منظمة أبحاث عامة فرنسية: “إنه عرض أساسي للغاية”. يطور برونر أجهزة كمبيوتر فوتونية غير تقليدية من نوع مماثل يستخدمه الباحثون في الدراسة. “يكمن جمال هذه الخوارزمية المعينة في أنه ليس من الصعب جدًا تنفيذها في الأجهزة – وهذا هو سبب أهمية ذلك.”