Фотонная нейросеть сформировала условные рефлексы с помощью световых сигналов
🐕 Больше ста лет назад классические эксперименты Ивана Павлова продемонстрировали формирование у животных условных рефлексов — возникновение ассоциативных связей между индифферентным стимулом (звоном колокольчика) и безусловной реакцией (выделением слюны). Британские учёные из Оксфордского университета показали, что этот подход годен и для обучения «физических» нейронных сетей.
❇️ Представленная ими фотонная система способна к «павловскому» обучению без обратного распространения ошибки. Для её создания используются одиночные модули на основе материала с памятью структуры — из них разработчики собрали нейронную сеть и продемонстрировали её в деле.
📉 Обратное распространение ошибки позволяет корректировать активность входных нейронов в зависимости от выхода и получать желаемый результат. Однако этот подход требует для обучения обработки огромного количества примеров, делая нейросети крайне требовательными к ресурсам.
💠 В новой системе используются обучаемые модули на основе материала с фазовым переходом, который позволяет формировать ассоциации между входными сигналами. Такая платформа может дополнить существующие нейросети, взяв на себя некоторые несложные задачи и выполняя их с куда меньшим расходом вычислительных ресурсов.
💎 Отдельные модули системы — «Ассоциативные одиночные обучаемые элементы» (Associative Monadic Learning Element, AMLE) — оптические устройства, включающие пару световодов, на один из которых нанесена тонкая пленка теллурида германия-сурьмы (GST). Это материал с обратимым фазовым переходом, способный легко и быстро переходить из кристаллического состояния в аморфное и обратно, выдерживая при этом огромное количество циклов.
🔀 «По умолчанию» GST остается кристаллическим, и между световодами, по которым поступают входные сигналы, связи нет. Однако если входные импульсы синхронизированы по фазе, GST получает достаточно энергии и становится аморфным, а сигналы ассоциируются друг с другом.
🔔🔕 Чем чаще это происходит, тем большая часть материала переходит в новую фазу, и тем сильнее делается связь между входящими сигналами — вплоть до того, что они становятся неразличимы с точки зрения выходного сигнала на AMLE. И наоборот, многократное несовпадение входных сигналов ослабляет ассоциацию, обеспечивая «забывание».
Почитать подробнее: научная статья в журнале Optica
#Инфраструктура_искусственного_интеллекта, #Железо_для_искусственного_интеллекта, #Нейросети
🐕 Больше ста лет назад классические эксперименты Ивана Павлова продемонстрировали формирование у животных условных рефлексов — возникновение ассоциативных связей между индифферентным стимулом (звоном колокольчика) и безусловной реакцией (выделением слюны). Британские учёные из Оксфордского университета показали, что этот подход годен и для обучения «физических» нейронных сетей.
❇️ Представленная ими фотонная система способна к «павловскому» обучению без обратного распространения ошибки. Для её создания используются одиночные модули на основе материала с памятью структуры — из них разработчики собрали нейронную сеть и продемонстрировали её в деле.
📉 Обратное распространение ошибки позволяет корректировать активность входных нейронов в зависимости от выхода и получать желаемый результат. Однако этот подход требует для обучения обработки огромного количества примеров, делая нейросети крайне требовательными к ресурсам.
💠 В новой системе используются обучаемые модули на основе материала с фазовым переходом, который позволяет формировать ассоциации между входными сигналами. Такая платформа может дополнить существующие нейросети, взяв на себя некоторые несложные задачи и выполняя их с куда меньшим расходом вычислительных ресурсов.
💎 Отдельные модули системы — «Ассоциативные одиночные обучаемые элементы» (Associative Monadic Learning Element, AMLE) — оптические устройства, включающие пару световодов, на один из которых нанесена тонкая пленка теллурида германия-сурьмы (GST). Это материал с обратимым фазовым переходом, способный легко и быстро переходить из кристаллического состояния в аморфное и обратно, выдерживая при этом огромное количество циклов.
🔀 «По умолчанию» GST остается кристаллическим, и между световодами, по которым поступают входные сигналы, связи нет. Однако если входные импульсы синхронизированы по фазе, GST получает достаточно энергии и становится аморфным, а сигналы ассоциируются друг с другом.
🔔🔕 Чем чаще это происходит, тем большая часть материала переходит в новую фазу, и тем сильнее делается связь между входящими сигналами — вплоть до того, что они становятся неразличимы с точки зрения выходного сигнала на AMLE. И наоборот, многократное несовпадение входных сигналов ослабляет ассоциацию, обеспечивая «забывание».
Почитать подробнее: научная статья в журнале Optica
#Инфраструктура_искусственного_интеллекта, #Железо_для_искусственного_интеллекта, #Нейросети