Kohina täydentää tekoälyä optisessa laskennassa

Washingtonin yliopiston johtama tutkimusryhmä on kehittänyt tekoälyä ja koneoppimista varten uuden optisen laskentalaitteiston, joka on nopeampi ja paljon energiatehokkaampi kuin perinteinen elektroniikka.

Uusi tutkimustyö käsittelee myös aiheen toista haastetta – optiselle laskennalle ominaista "kohinaa", joka voi häiritä laskennan tarkkuutta.

Uudessa tutkimusjulkaisussa tutkijatiimi esittelee tekoälyä ja koneoppimista varten käytettävää optista laskentajärjestelmää, joka ei ainoastaan vaimenna tätä kohinaa, vaan myös käyttää osaa siitä syötteenä tehostaakseen keinotekoisen neuroverkon luovaa tulosta järjestelmän sisällä.

"Olemme rakentaneet optisen tietokoneen, joka on nopeampi kuin perinteinen digitaalinen tietokone", sanoo johtava kirjoittaja Changming Wu. "Ja tämä optinen tietokone voi myös luoda uusia asioita, jotka perustuvat satunnaisiin tuloihin, jotka syntyvät optisesta kohinasta, jota useimmat tutkijat yrittivät välttää."

Optinen laskentakohina tulee pääasiassa hajavalohiukkasista, jotka ovat peräisin laitteen sisällä olevien lasereiden toiminnasta ja taustalämpösäteilystä. Kohdistaakseen kohinan tutkijat liittivät optisen laskentaytimensä erikoistyyppiseen koneoppimisverkkoon, jota kutsutaan nimellä Generative Adversarial Network.

Ryhmä testasi useita kohinanvaimennustekniikoita, joihin kuului optisen laskentaytimen tuottaman kohinan käyttäminen satunnaisena tulona GAN:lle.

Esimerkiksi ryhmä antoi GANille tehtävän oppia kirjoittamaan käsin numero "7" kuten henkilö sen tekisi. Optinen tietokone ei voinut yksinkertaisesti tulostaa numeroa määrätyn fontin mukaan. Sen oli opittava tehtävä aivan kuten lapsikin, katsomalla visuaalisia käsinkirjoitusnäytteitä ja harjoittelemalla, kunnes se osasi kirjoittaa numeron oikein. Optisella tietokoneella ei tietenkään ollut ihmisen kättä kirjoittamiseen, joten sen "käsinkirjoituksen" muoto oli tuottaa digitaalisia kuvia, joiden tyyli oli samanlainen kuin sen tutkitut näytteet, mutta jotka eivät olleet identtisiä niiden kanssa.

"Sen sijaan, että olisimme kouluttaneet verkkoa lukemaan käsin kirjoitettuja numeroita, me koulutimme verkon oppimaan kirjoittamaan numeroita jäljittelemään visuaalisia näytteitä käsinkirjoituksesta, johon se opetettiin", sanoi vanhempi kirjailija Mo Li, UW:n sähkö- ja tietokonetekniikan professori.

"Olemme Duken yliopiston tietojenkäsittelytieteen kumppaneidemme avulla myös osoittaneet, että GAN voi lieventää optisen laskentalaitteiston kohinan negatiivista vaikutusta käyttämällä koulutusalgoritmia, joka sietää virheitä ja kohinoita. Itse asiassa verkko käyttää kohinoita myös satunnaistulona, jota tarvitaan antotapausten luontiin."

Opittuaan käsinkirjoitetuista numeron seitsemän näytteistä, jotka olivat peräisin tavallisesta tekoälyn harjoituskuvasarjasta, GAN harjoitteli "7":n kirjoittamista, kunnes se onnistui. Matkan varrella se kehitti oman selkeän kirjoitustyylinsä ja pystyi kirjoittamaan numeroita yhdestä kymmeneen tietokonesimulaatioissa.

Seuraavat vaiheet sisältävät tämän laitteen rakentamisen suuremmassa mittakaavassa nykyistä puolijohteiden valmistustekniikkaa käyttämällä.

"Tämä optinen järjestelmä edustaa tietokonelaitteistoarkkitehtuuria, joka voi parantaa tekoälyssä ja koneoppimisessa käytettävien keinotekoisten neuroverkkojen luovuutta, mutta mikä tärkeintä, se osoittaa tämän järjestelmän elinkelpoisuuden suuressa mittakaavassa, jossa kohinaa ja virheitä voidaan vähentää ja jopa valjastaa käyttöön", Li toteaa.

Aiheesta aiemmin:

Nopeita ja likvidejä neuroverkkoja

Valotoimista tekoälyä