یادگیری پیوندی در سیستمهای جدید هوش مصنوعی
تیم تحریریه- ۱۹ مرداد ۱۴۰۱
مهندسین مواد دانشگاه آکسفورد، با همکاری پژوهشگرانی از دانشگاه‌های اکستر و مانستر، پردازشگر نوری تراشه‌ای یادگیری پیوندی ساخته‌اند که می‌تواند شباهت‌های موجود در دیتاست‌ها را 1,000 برابر سریع‌تر از الگوریتم‌های معمولی یادگیری ماشینی که روی پردازشگرهای الکترونیک اجرا می‌شوند، تشخیص دهد.
پژوهش مذکور که در ژورنال Optica منتشر شده است، از کشفیات ایوان پاولوف در مورد یادگیری شرطی الهام گرفته است. پاولوف دریافت که با ارائه محرک‌های دیگر (همچون صدای زنگ) هنگام غذا دادن به سگ‌ها، این حیوانات دو تجربه را به هم پیوند می‌دهند و همان پاسخی که به محرک اصلی یعنی غذا می‌دهند را در برابر محرک ثانوی نیز تکرار می‌کنند. تداعی مداوم دو رویداد غیرمرتبط نوعی پاسخ آموخته‌شده به همراه می‌آورد که تحت عنوان واکنش شرطی شناخته می‌شود.
جیمز تن یو سیان، یکی از نویسندگان اول مقاله، توضیح می‌دهد: «یادگیری پاولوفی را می‌توان پایه و اساس رفتار انسان‌ها و حیوانات دانست؛ اما تا به حال در سیستمهای هوش مصنوعی از این روش استفاده نشده است. مطالعات ما با تمرکز روی یادگیری پاولوفی و پردازش نوری موازی، نشان داد که یادگیری پیوندی پتانسیل بالایی برای کاربرد در مسائل گوناگون هوش مصنوعی دارد.»
شبکه‌های عصبی به کاررفته در بیشتر سیستمهای هوش مصنوعی به تعداد زیادی نمونه آموزش نیاز دارند. به عنوان مثال، برای این‌که به یک مدل آموزش بدهیم تا تصویر گربه را شناسایی کند، طی فرآیند یادگیری باید حدود 10,000 تصویر گربه و غیرگربه را به آن تغذیه کنیم؛ این فرآیند توان محاسباتی و هزینه پردازشی را بالا می‌برد.
به جای تکیه بر رویکرد پس‌انتشار که برای «تنظیم دقیق» نتایج در شبکه‌های عصبی به کار می‌رود، مولفه یادگیری تکین پیوندی (AMLE) الگوهای لازم را می‌آموزد تا ویژگی‌های مشابه در دیتاست‌ها را با یکدیگر پیوند دهد.
در روش AMLE، ورودی‌ها با خروجی‌های صحیح جفت می‌شوند تا نظارت بر فرآیند یادگیری صورت بگیرد. به علاوه، حافظه را می‌توان با استفاده از سیگنال‌های نوری بازتنظیم (ریست) کرد. آزمایشات نشان داده‌اند که بعد از آموزش روی تنها 5 جفت تصویر، AMLE به درستی تصاویر گربه و غیرگربه را تشخیص می‌دهد.
مزیت تراشه نوری در یادگیری پیوندی نسبت به تراشه الکترونیکی
عملکرد چشمگیر این تراشه نوری جدید و مزیتش نسبت به تراشه‌های الکترونیک معمولی، به دو تفاوت کلیدی در طراحی آن برمی‌گردد:
- معماری منحصر به فردی که به جای استفاده از نورون و شبکه‌ی عصبی، بر یادگیری پیوندی تکیه می‌کند.
- استفاده از «تسهیم طول موج» برای ارسال چندین سیگنال نوری با طول موج‌های متفاوت به منظور افزایش سرعت محاسبات.
سخت‌افزار به کاررفته در این تراشه نوری برای ارسال و بازیابی داده‌ها از نور استفاده می‌کند تا تراکم اطلاعات را به حداکثر برساند. چندین سیگنال با طول موج‌های مختلف به طور همزمان ارسال می‌شوند تا پردازش موازی صورت بگیرد. بدین ترتیب، سرعت تشخیص افزایش می‌یابد. هر طول موج، سرعت محاسبات را بیشتر می‌کند.
ولفرام پرنیس، یکی از نویسندگان مقاله و پژوهشگر دانشگاه مانستر، اضافه می‌کند: «این دستگاه در حالت طبیعی می‌تواند شباهت‌های موجود در دیتاست‌ها را به صورت موازی ثبت کند؛ بدین منظور از نور استفاده می‌کند تا سرعت کلی محاسبات را افزایش دهد، به نحوی که از قابلیت‌های تراشه‌های الکترونیک معمولی بسیار فراتر می‌رود.»
به گفته زنگوانگ چنگ، دیگر نویسنده اول مقاله از دانشگاه فودان، رویکرد یادگیری پیوندی جایگزین شبکه‌های عصبی نخواهد شد، بلکه آن‌ها را کامل می‌کند.
وی ادامه می‌دهد: «این روش و استفاده از تراشه نوری به ویژه برای مسائلی بازدهی بالایی دارد که مستلزم تحلیل چشمگیر ویژگی‌های بسیار پیچیده‌ی دیتاست‌ها نیستند. بسیاری از مسائل یادگیری مبتنی بر حجم دیتاست هستند و تا این حد پیچیده نیستند. در این صورت، یادگیری پیوندی می‌تواند با سرعت، و البته با هزینه محاسباتی کمتر، این مسائل را به انجام برساند.»
هاریش باسکاران، سرپرست پروژه، می‌گوید: «شکی نیست که هوش مصنوعی در کانون بسیاری از کشفیات و نوآوری‌های پیش رو قرار خواهد داشت. این پروژه مسیر تحقق پردازشگرهای نوری سریعی را هموار می‌کند که می‌توانند پیوندهای موجود در دیتاست‌ها را شناسایی و ثبت کنند. البته باید اذعان داشت که هنوز چالش‌های فراوانی پیش رو داریم.»
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
