Uusi koneoppimisalgoritmi lupaa edistystä tietojenkäsittelyssä

Ohion yliopistolla tehty tutkimus ehdottaa, että seuraavan sukupolven laskenta-algoritmeilla ohjatut järjestelmät voivat tuottaa parempia ja tehokkaampia koneoppimistuotteita.

Käyttäen koneoppimistyökaluja luodakseen digitaalisen kaksoiskappaleen tai virtuaalisen kopion elektronisesta piiristä, joka käyttäytyy kaoottisesti, tutkijat onnistuivat ennustamaan, kuinka se käyttäytyy ja käyttäen tätä informaatiota sen hallitsemiseen.

Tyypilliset lineaariset ohjaimet eivät pärjää monimutkaisempien käyttäytymisien kuten kaaoksen hallinnassa. Täten monet kehittyneet laitteet, kuten itseohjautuvat autot ja lentokoneet, luottavat usein koneoppimiseen perustuviin ohjaimiin, jotka käyttävät monimutkaisia verkkoja oppiakseen parhaan toiminnan edellyttämän optimaalisen ohjausalgoritmin.

Näillä algoritmeilla on kuitenkin merkittäviä haittoja, joista vaativin on, että ne voivat olla erittäin haastavia ja laskennallisesti kalliita toteuttaa.

Nyt kehitetyllä tehokkaan digitaalisen kaksosen käyttömahdollisuudella on todennäköisesti laaja vaikutus siihen, miten tutkijat kehittävät tulevaisuuden autonomisia tekniikoita, sanoo Robert Kent, tutkimuksen johtava kirjoittaja.

Ryhmän digitaalinen kaksoispiiri rakennettiin optimoimaan ohjaimen tehokkuutta ja suorituskykyä, minkä tutkijat havaitsivat vähentävän virrankulutusta. Se saavuttaa tämän melko helposti, pääasiassa siksi, että se on koulutettu käyttämällä tiettyä koneoppimisen lähestymistapaa, jota kutsutaan säilölaskennaksi (RC, reservoir computing).

Kuten useimmat koneoppimisen algoritmit, RC kartoittaa tulosignaalit korkeadimensionaaliseen tilaan laskentakapasiteetin lisäämiseksi ja heijastaa sitten järjestelmän haluttuun matalaulotteiseen lähtöön. Poiketen muista suosituista koneoppimisalgoritmeista, RC:llä on luonnollinen häipyvä muisti, mikä tekee niistä erityisen tehokkaita dynaamisten järjestelmien käyttäytymisen oppimisessa.

"Käyttämässämme koneoppimisarkkitehtuurissa hieno asia on, että se on erittäin hyvä oppimaan ajan myötä kehittyvien järjestelmien käyttäytymistä", Kent sanoo. "Se on saanut inspiraationsa siitä, kuinka yhteydet syntyvät ihmisaivoissa."

Tutkijoiden teorian testaaminen paljasti, että heidän lähestymistapansa saavutti tehtävissä suuremman tarkkuuden kuin sen lineaarinen vastine ja on huomattavasti vähemmän monimutkainen laskennallisesti kuin aikaisempi koneoppimiseen perustuva ohjain.

Täten he osoittavat, että tällainen seuraavan sukupolven säilölaskentaan (NG-RC) perustuva epälineaarinen ohjain voi ratkaista vaikean ohjausongelman: ohjata kaoottista järjestelmää mielivaltaiseen ajasta riippuvaiseen tilaan. Malli on tarkka, mutta silti riittävän pieni evaluoitavksi FPGA-piirillä, jollaisia tavallisesti löytyy sulautetuista laitteista.

Lisäksi malli vaatii vain 25.0 nJ evalointia kohden, selvästi alle muiden algoritmien, jopa ilman systemaattista tehokkuuden optimointia. Tutkijoiden mukaan heidän työnsä edustaa ensimmäistä askelta tehokkaiden koneoppimisalgoritmien käyttöönotossa tietojenkäsittelyn "reunalle".

Aiheesta aiemmin:

Säilölaskentaa molekyyleillä ja keinolihaksilla

Kertakäyttöiset tekoälyanturit terveyden seurantaan

Ioninen nestepohjainen säilölaskenta