NTT жана Токио университети адамдын мээсинен шыктанган алгоритмди колдонуу менен дүйнөдөгү биринчи оптикалык эсептөөчү AI иштеп чыгышты.

Кызматташуу оптикалык эсептөөлөрдүн негизинде аз кубаттуулуктагы, жогорку ылдамдыктагы AIдын практикалык колдонулушун алдыга жылдырат

ТОКИО–(БИЗНЕС WIRE)–#TechforGood-NTT Corporation (Президент жана башкы директор: Акира Шимада, "NTT") жана Токио University (Бункио-ку, Токио, Президент: Теруо Фудзии) аналогдук операцияларды колдонуу менен көп катмарлуу жасалма нейрон тармактары (DNN) үчүн ылайыктуу болгон мээнин маалыматты кайра иштетүүсүнөн шыктанган жаңы окутуу алгоритмин ойлоп табышты. Бул ачылыш AI үчүн энергия керектөөнүн жана эсептөө убактысынын кыскарышына алып келет. Бул өнүгүүнүн жыйынтыктары британиялык илимий журналда жарыяланды Nature Communications 26-декабрда^th.

Окумуштуулар оптикалык аналогдук эсептөөнү колдонгон DNNге алгоритмди колдонуу менен эффективдүү аткарылган оптикалык DNN үйрөнүүнүн дүйнөдөгү биринчи демонстрациясына жетишти, ал жогорку ылдамдыктагы, аз кубаттуулуктагы машинаны үйрөнүү түзүлүштөрүн иштетет. Мындан тышкары, алар аналогдук операцияларды колдонгон көп катмарлуу жасалма нейрон тармагынын дүйнөдөгү эң жогорку көрсөткүчүнө жетишти.

Мурда жогорку жүктөмдүү окутуунун эсептөөлөрү санариптик эсептөөлөр аркылуу жүргүзүлүп келген, бирок бул жыйынтык аналогдук эсептөөлөрдү колдонуу менен окуу бөлүгүнүн натыйжалуулугун жогорулатууга болорун далилдейт. Deep Neural Network (DNN) технологиясында терең резервуарды эсептөө деп аталган кайталануучу нейрондук тармак нейрон катары оптикалык импульсту жана сызыктуу эмес оптикалык шакекти рекурсивдүү байланыштары бар нейрондук тармак катары кабыл алуу менен эсептелет. Ошол эле оптикалык схемага чыгуу сигналын кайра киргизүү менен тармак жасалма түрдө тереңдетилген.

DNN технологиясы машина которуу, автономдуу айдоо жана робототехника сыяктуу өнүккөн жасалма интеллектти (AI) берет. Учурда талап кылынган күч жана эсептөө убактысы санариптик компьютерлердин өндүрүмдүүлүгүнүн өсүшүнөн ашып кеткен ылдамдыкта көбөйүүдө. Аналогдук сигнал эсептөөлөрүн (аналогдук операциялар) колдонгон DNN технологиясы мээнин нейрон тармагына окшош жогорку эффективдүү жана жогорку ылдамдыктагы эсептөөлөрдү ишке ашыруунун бир ыкмасы болушу күтүлүүдө. NTT менен Токио университетинин ортосундагы кызматташтык DNN аналогдук операциясы үчүн ылайыктуу жаңы алгоритмди иштеп чыкты, ал DNNге кирген окуу параметрлерин түшүнүүнү талап кылбайт.

Сунушталган метод тармактын акыркы катмарынын негизинде окуу параметрлерин өзгөртүү жана керектүү чыгуу сигналынын (ката сигналынын) катасынын сызыктуу эмес кокустук трансформациясынын негизинде үйрөнөт. Бул эсептөө оптикалык схемалар сыяктуу нерселерде аналогдук эсептөөлөрдү ишке ашырууну жеңилдетет. Ал ошондой эле физикалык ишке ашыруунун үлгүсү катары гана эмес, ошондой эле машина которуу жана ар кандай AI моделдери, анын ичинде DNN модели сыяктуу тиркемелерде колдонулган алдыңкы үлгү катары колдонулушу мүмкүн. Бул изилдөө AI эсептөө менен байланышкан пайда болгон көйгөйлөрдү чечүүгө салым кошору күтүлүүдө, анын ичинде электр энергиясын керектөө жана эсептөө убактысын көбөйтүү.

Бул документте сунушталган методдун конкреттүү көйгөйлөргө колдонулушун изилдөөдөн тышкары, NTT келечектеги оптикалык системалар үчүн жогорку ылдамдыктагы, аз кубаттуулуктагы оптикалык эсептөө платформасын түзүүгө багытталган оптикалык аппаратуранын масштабдуу жана кичине масштабдуу интеграциясына көмөктөшөт. тармактар.

Бул изилдөө үчүн колдоо:

JST/CREST бул изилдөө натыйжаларынын бир бөлүгүн колдоду.

Журнал басылышы:

Журнал: Nature Communications (Онлайн версия: 26-декабрь)

Макаланын аталышы: Биологиялык шыктандырылган машыгуу ыкмасы менен физикалык терең үйрөнүү: Физикалык аппаратура үчүн градиентсиз ыкма

Авторлору: Мицумаса Накадзима, Кацума Иноуэ, Кенжи Танака, Ясуо Куниоши, Тошиказу Хашимото жана Кохей Накадзима

Терминологиянын түшүндүрмөсү:

1. Оптикалык схема: кремний же кварц оптикалык толкун өткөргүчтөрү электрондук схемаларды өндүрүү технологиясын колдонуу менен кремний пластинкасына бириктирилген схема. Байланышта оптикалык байланыш жолдорунун тармакталышы жана бириктирилиши оптикалык интерференция, толкун узундуктарын мультиплексирлөө/демультиплексирлөө жана ушул сыяктуулар аркылуу ишке ашырылат.
2. Backpropagation (BP) ыкмасы: Терең үйрөнүүдө эң көп колдонулган окутуу алгоритми. Тармактагы салмактардын (параметрлердин) градиенттери ката сигналын артка таратууда алынат жана салмактар ​​ката кичирейе тургандай жаңыланат. Артка таралуу процесси тармактык моделдин салмактык матрицасынын транспозициясын жана сызыктуу эмес дифференциацияны талап кылгандыктан, аны аналогдук схемаларда, анын ичинде тирүү организмдин мээсинде ишке ашыруу кыйын.
3. Аналогдук эсептөө: реалдуу баалуулуктарды билдирген компьютер жарыктын интенсивдүүлүгү жана фазасы жана магниттик спиндердин багыты жана интенсивдүүлүгү сыяктуу физикалык чоңдуктарды колдонуп, физика мыйзамдары боюнча бул физикалык чоңдуктарды өзгөртүү менен эсептөөлөрдү жүргүзөт.
4. Түз пикирди тегиздөө (DFA) ыкмасы: акыркы катмардын ката сигналында сызыктуу эмес кокустук трансформацияны жүргүзүү аркылуу ар бир катмардын ката сигналын псевдо-эсептөө ыкмасы. Тармактык моделдин дифференциалдык маалыматын талап кылбагандыктан жана параллель кокустук трансформация менен гана эсептелиши мүмкүн болгондуктан, аналогдук эсептөө менен шайкеш келет.
5. Резервуарды эсептөө: Жашыруун катмардагы кайталануучу байланыштары бар кайталануучу нейрондук тармактын бир түрү. Ал резервуар катмары деп аталган ортоңку катмардагы туташууларды туш келди бекитүү менен мүнөздөлөт. Суу сактагычтарды терең эсептөөдө маалыматты иштетүү резервуар катмарларын бир нече катмарда бириктирүү аркылуу ишке ашырылат.

NTT жана NTT логотиби NIPPON TELEGRAPH AND TELEPHONE CORPORATION жана/же анын филиалдарынын катталган соода белгилери же соода белгилери. Бардык башка шилтемеленген продукт аттары тиешелүү ээлеринин соода белгилери болуп саналат. © 2023 NIPPON TELEGRAPH AND TELEPHONE CORPORATION

Байланыш

Стивен Рассел

Wireside Communications®

NTT үчүн

+ 1-804-362-7484

[электрондук почта корголгон]