Komputery kt贸re my艣l膮 艣wiat艂em

Komputery, kt贸re my艣l膮 艣wiat艂em

Rozpoznawanie twarzy, g艂osu, analiza obraz贸w w diagnostyce medycznej o dok艂adno艣ci znacznie przekraczaj膮cej ludzk膮 percepcj臋 - wszystko to nie istnia艂oby, gdyby nie algorytmy g艂臋bokiego uczenia maszynowego. Naukowcy z MIT we wsp贸艂pracy z badaczami z innych plac贸wek poszli krok dalej, konstruuj膮c optyczn膮 sie膰 neuronow膮 zdoln膮 do samouczenia si臋.

Najwi臋kszym wyzwaniem dla budowy coraz bardziej zaawansowanych system贸w samoucz膮cych si臋 metod膮 g艂臋bokiego uczenia maszynowego jest z艂o偶ono艣膰 obliczeniowa. Naukowcy z MIT opracowali innowacyjn膮 technik臋 obliczeniow膮, w kt贸rej zamiast tradycyjnych obwod贸w elektronicznych wykorzystuje si臋 艣wiat艂o. Szczeg贸艂y dotycz膮ce nowego rozwi膮zania podnosz膮cego wydajno艣膰 g艂臋bokiego uczenia maszynowego na zupe艂nie nowy poziom naukowcy opublikowali w najnowszym wydaniu „Nature Photonics”. Innymi s艂owy zbudowali oni fotoniczn膮 sie膰 neuronow膮, w kt贸rej sygna艂y przekazywane s膮 nie za pomoc膮 impuls贸w elektrycznych, lecz 艣wietlnych.

Sztuczne sieci neuronowe generalnie s膮 modelami obliczeniowymi wzoruj膮cymi si臋 na przetwarzaniu sygna艂贸w w spos贸b realizowany w m贸zgu. Modele te umo偶liwiaj膮 niezwykle wydajne przetwarzanie wielu zada艅 zwi膮zanych z uczeniem maszynowym. Takich jak: rozpoznawanie obraz贸w, twarzy, rozpoznawanie mowy, analiza obraz贸w, inteligentne sortowanie i porz膮dkowanie danych i wiele, wiele wi臋cej. Niestety wsp贸艂czesne rozwi膮zania sprz臋towe w zakresie przetwarzania danych s膮 zbyt ma艂o efektywne, by pozwala艂y na budow臋 niezwykle wydajnych sieci neuronowych. Generalnie wszystkie dzisiejsze komputery wci膮偶 bazuj膮 na architekturze von Neumanna, w kt贸rej dane s膮 przechowywane wsp贸lnie z instrukcjami i s膮 kodowane w ten sam spos贸b. Generalnie nie by艂oby w tym nic z艂ego, gdyby nie fakt, 偶e John von Neumann, wesp贸艂 z Johnem Eckertem i Johnem W. Mauchlym opracowali t臋 architektur臋 w… 1945 roku.

Marin Solja膷i膰, fizyk z MIT
Marin Solja膷i膰, fizyk z MIT nie ma w膮tpliwo艣ci, 偶e 艣wiat艂o pozwoli budowa膰 znacznie wydajniejsze sieci neuronowe (fot. MIT News)

Zesp贸艂 z MIT oraz wsp贸艂pracuj膮cych plac贸wek badawczych proponuje alternatyw臋 – w pe艂ni optyczn膮 architektur臋 sieci neuronowych, kt贸ra w zamy艣le tw贸rc贸w ma wyr贸偶nia膰 si臋 niezwykle du偶膮 wydajno艣ci膮, mo偶liwo艣ci膮 konstruowania bardzo z艂o偶onych sieci neuronowych, a wszystko to przy jednoczesnej efektywno艣ci energetycznej daleko przekraczaj膮cej najlepsze osi膮gni臋cia tradycyjnej elektroniki.

Praca naukowc贸w nie jest tylko teori膮. Badacze zaprezentowali swoj膮 koncepcj臋 wykorzystuj膮c eksperymentalny model procesora nanofotonicznego zbudowanego z macierzy 56. programowalnych interferometr贸w Macha-Zehndera, czyli jednego z typ贸w interferometr贸w optycznych, nale偶膮cych do grupy interferometr贸w dwuzwi膮zkowych; sam interferometr jest urz膮dzeniem pomiarowym, kt贸rego dok艂adno艣膰 bazuje na zjawisku interferencji (nak艂adania si臋) fal. W przypadku interferometr贸w u偶ytych przez badaczy z MIT chodzi oczywi艣cie o fale 艣wietlne.

Wyniki pracy eksperymentalnego systemu optycznego do rozpoznawania samog艂osek
Eksperymentalny system optyczny uzyska艂 poprawno艣膰 rozpoznawania samog艂osek na poziomie 76,7%. Najlepsze systemy klasyczne osi膮gaj膮 90%, ale tu badacze s膮 dopiero na pocz膮tku drogi do prawdziwie optycznych sieci neuronowych (fot. Nature.com)

Eksperymentalne rozwi膮zanie zosta艂o wykorzystane do zademonstrowania funkcji rozpoznawania samog艂osek, stanowi膮cej sk艂adnik szerszej dziedziny, jak膮 jest rozpoznawanie g艂osu. Efekty s膮 imponuj膮ce, nawet bior膮c pod uwag臋 wci膮偶 wst臋pn膮 faz臋 konstrukcji systemu, uda艂o si臋 uzyska膰 poziom dok艂adno艣ci wynosz膮cy niemal 77 procent. Konwencjonalne, znacznie wolniejsze i zu偶ywaj膮ce znaczne ilo艣ci energii systemy rozpoznawania g艂osu dzi艣 uzyskuj膮 dok艂adno艣膰 na poziomie 90 procent, ale pracujemy nad nimi ju偶 od lat. W przypadku system贸w optycznych jeste艣my tak naprawd臋 na pocz膮tku drogi i ju偶 uzyskujemy obiecuj膮ce rezultaty.

Na obecnym etapie, naukowcy s膮 w stanie ju偶 zbudowa膰 poszczeg贸lne elementy optycznego systemu obliczeniowego zasilaj膮cego sie膰 neuronow膮, ale nie mo偶na jeszcze m贸wi膰 o w pe艂ni gotowym rozwi膮zaniu. Jeden z badaczy – Marin Solja膷i膰 – stwierdza 偶e „ten uk艂ad (optyczny – dop. CHIP), gdy zostanie odpowiednio zestrojony, jest w stanie wykona膰 mno偶enie macierzy niemal natychmiast, i to przy praktycznie zerowym zu偶yciu energii”.

Marin Solja膷i膰 dodaje, 偶e nawet zwyk艂e soczewki okular贸w dokonuj膮 skomplikowanych oblicze艅 takich jak transformacja Fouriera w艂a艣nie dzi臋ki falom 艣wietlnym przechodz膮cym przez nie. Spos贸b realizacji oblicze艅 za pomoc膮 wi膮zek 艣wiat艂a w nowych uk艂adach fotonicznych jest znacznie bardziej og贸lny, ale opiera si臋 na podobnej podstawowej zasadzie. Nowe podej艣cie wykorzystuje wiele wi膮zek 艣wiat艂a skierowanych w taki spos贸b, by oddzia艂ywania fal tworzy艂y odpowiednie wzorce przekazuj膮ce wynik zaplanowanej operacji. W rezultacie otrzymane urz膮dzenie jest czym艣, co naukowcy okre艣laj膮 jako programowalny procesor nanofotoniczny.

Z kolei Dirk Englund z zespo艂u badawczego pracuj膮cego nad opisywan膮 technologi膮, podkre艣la 偶e programowalny procesor nanofotoniczny mo偶e by膰 r贸wnie偶 wykorzystywany do przetwarzania sygna艂u w celu transmisji danych. „Szybkie przetwarzanie analogowych sygna艂贸w jest czym艣 naturalnym dla uk艂adu nanofotonicznego”. Dlaczego? Poniewa偶 艣wiat艂o jest r贸wnie偶 natywnym medium analogowym. A to oznacza szybsze podej艣cie ni偶 w przypadku konwencjonalnych rozwi膮za艅 wymagaj膮cych przekszta艂cenia sygna艂u w posta膰 cyfrow膮.

O tym, jak bardzo prze艂omowe jest to odkrycie 艣wiadczy fakt, 偶e uk艂ady optyczne wykorzystuj膮ce nowoopracowan膮 architektur臋 mog膮 w zasadzie przeprowadza膰 obliczenia realizowane w typowych algorytmach sztucznej inteligencji, ale czyni膮 to niewyobra偶alnie szybciej wykorzystuj膮c przy tym o kilka rz臋d贸w wielko艣ci mniejsz膮 energi臋. Celowo Solja膷i膰 poda艂 przyk艂ad mno偶enia macierzy, poniewa偶 jest to jedna z najbardziej czasoch艂onnych i zu偶ywaj膮cych energi臋 operacji stanowi膮cych cz臋艣膰 wsp贸艂czesnych algorytm贸w sztucznej inteligencji. I cho膰 naukowcy podkre艣laj膮, 偶e do uzyskania w pe艂ni gotowego systemu nanofotonicznego jest jeszcze d艂uga droga, to potencja艂 tego rozwi膮zania jest olbrzymi – mo偶e on znale藕膰 zastosowanie wsz臋dzie tam, gdzie klasyczna elektronika musia艂aby wykona膰 obliczenia trwaj膮ce zbyt du偶o czasu i generowa艂aby zbyt wielkie koszty. | CHIP

殴r贸d艂o: chip