NTT และมหาวิทยาลัยโตเกียวพัฒนา AI คอมพิวเตอร์ออปติคัลตัวแรกของโลกโดยใช้อัลกอริทึมที่ได้รับแรงบันดาลใจจากสมองมนุษย์

การทำงานร่วมกันช่วยยกระดับการใช้งานจริงของ AI ที่ใช้พลังงานต่ำและความเร็วสูง โดยอิงจากการประมวลผลด้วยแสง

โตเกียว–(บิสิเนส ไวร์)–#เทคฟอร์กู๊ด-บริษัท เอ็นทีที (ประธานและซีอีโอ: อากิระ ชิมาดะ, “NTT”) และ มหาวิทยาลัยโตเกียว (Bunkyo-ku, Tokyo, ประธาน: Teruo Fujii) ได้คิดค้นอัลกอริธึมการเรียนรู้ใหม่ที่ได้รับแรงบันดาลใจจากการประมวลผลข้อมูลของสมองซึ่งเหมาะสำหรับเครือข่ายประสาทเทียมหลายชั้น (DNN) โดยใช้การทำงานแบบอะนาล็อก ความก้าวหน้านี้จะนำไปสู่การลดการใช้พลังงานและเวลาในการคำนวณสำหรับ AI ผลการพัฒนานี้ตีพิมพ์ในวารสารวิทยาศาสตร์ของอังกฤษ การสื่อสารธรรมชาติ ในเดือนธันวาคม 26^th.

นักวิจัยประสบความสำเร็จในการสาธิตการเรียนรู้ DNN แบบออปติคัลที่ดำเนินการอย่างมีประสิทธิภาพเป็นครั้งแรกของโลก โดยการใช้อัลกอริทึมกับ DNN ที่ใช้การคำนวณแบบอะนาล็อกแบบออปติคัล ซึ่งคาดว่าจะทำให้อุปกรณ์แมชชีนเลิร์นนิงมีความเร็วสูงและใช้พลังงานต่ำได้ นอกจากนี้ พวกเขายังได้รับประสิทธิภาพสูงสุดในโลกของเครือข่ายประสาทเทียมแบบหลายชั้นที่ใช้การทำงานแบบแอนะล็อก

ในอดีต การคำนวณการเรียนรู้ที่มีโหลดสูงดำเนินการโดยการคำนวณแบบดิจิทัล แต่ผลลัพธ์นี้พิสูจน์ให้เห็นว่าเป็นไปได้ที่จะปรับปรุงประสิทธิภาพของส่วนการเรียนรู้โดยใช้การคำนวณแบบอะนาล็อก ในเทคโนโลยี Deep Neural Network (DNN) โครงข่ายประสาทเทียมแบบเกิดซ้ำที่เรียกว่า Deep Reservation Computing คำนวณโดยถือว่าพัลส์ออปติกเป็นเซลล์ประสาทและวงแหวนออปติกแบบไม่เชิงเส้นเป็นโครงข่ายประสาทเทียมที่มีการเชื่อมต่อแบบเรียกซ้ำ ด้วยการป้อนสัญญาณเอาต์พุตอีกครั้งไปยังวงจรออปติคัลเดียวกัน เครือข่ายจะลึกขึ้นอย่างไร้เทียมทาน

เทคโนโลยี DNN ช่วยให้ปัญญาประดิษฐ์ (AI) ขั้นสูง เช่น การแปลด้วยคอมพิวเตอร์ การขับรถอัตโนมัติ และวิทยาการหุ่นยนต์ ปัจจุบัน พลังและเวลาในการคำนวณที่ต้องใช้เพิ่มขึ้นในอัตราที่เกินการเติบโตของประสิทธิภาพของคอมพิวเตอร์ดิจิทัล เทคโนโลยี DNN ซึ่งใช้การคำนวณสัญญาณแอนะล็อก (การทำงานแบบแอนะล็อก) คาดว่าจะเป็นวิธีการคำนวณที่มีประสิทธิภาพสูงและความเร็วสูง ซึ่งคล้ายกับเครือข่ายประสาทของสมอง ความร่วมมือระหว่าง NTT และมหาวิทยาลัยโตเกียวได้พัฒนาอัลกอริธึมใหม่ที่เหมาะสมสำหรับการดำเนินการแบบแอนะล็อก DNN ซึ่งไม่ถือว่าเข้าใจพารามิเตอร์การเรียนรู้ที่รวมอยู่ใน DNN

วิธีการที่เสนอจะเรียนรู้โดยการเปลี่ยนพารามิเตอร์การเรียนรู้ตามเลเยอร์สุดท้ายของเครือข่ายและการแปลงแบบสุ่มแบบไม่เชิงเส้นของข้อผิดพลาดของสัญญาณเอาต์พุตที่ต้องการ (สัญญาณข้อผิดพลาด) การคำนวณนี้ทำให้ง่ายต่อการใช้การคำนวณแบบอะนาล็อกในสิ่งต่างๆ เช่น วงจรออปติก นอกจากนี้ยังสามารถใช้ไม่เพียงเป็นแบบจำลองสำหรับการใช้งานจริงเท่านั้น แต่ยังใช้เป็นแบบจำลองล้ำสมัยที่ใช้ในแอปพลิเคชันต่างๆ เช่น การแปลด้วยคอมพิวเตอร์และแบบจำลอง AI ต่างๆ รวมถึงแบบจำลอง DNN การวิจัยนี้คาดว่าจะนำไปสู่การแก้ปัญหาที่เกิดขึ้นใหม่ที่เกี่ยวข้องกับการประมวลผล AI รวมถึงการใช้พลังงานและเวลาในการคำนวณที่เพิ่มขึ้น

นอกจากการตรวจสอบการบังคับใช้วิธีการที่เสนอในบทความนี้กับปัญหาเฉพาะแล้ว NTT ยังจะส่งเสริมการรวมฮาร์ดแวร์ออปติคัลขนาดใหญ่และขนาดเล็ก โดยมีเป้าหมายเพื่อสร้างแพลตฟอร์มการประมวลผลออปติคัลความเร็วสูงและพลังงานต่ำสำหรับออปติคัลในอนาคต เครือข่าย

การสนับสนุนสำหรับการวิจัยนี้:

JST/CREST สนับสนุนส่วนหนึ่งของผลการวิจัยเหล่านี้

สิ่งพิมพ์นิตยสาร:

นิตยสาร: การสื่อสารธรรมชาติ (เวอร์ชั่นออนไลน์：26 ธ.ค.)

ชื่อบทความ: การเรียนรู้เชิงลึกทางกายภาพด้วยวิธีการฝึกอบรมที่ได้รับแรงบันดาลใจทางชีวภาพ: วิธีการไล่ระดับสีฟรีสำหรับฮาร์ดแวร์ทางกายภาพ

ผู้แต่ง：มิตสึมาสะ นากาจิมะ, คัตสึมะ อิโนะอุเอะ, เคนจิ ทานากะ, ยาสุโอะ คูนิโยชิ, โทชิคาสุ ฮาชิโมโตะ และโคเฮ นากาจิมะ

คำอธิบายคำศัพท์:

1. วงจรออปติคัล: วงจรที่ท่อนำคลื่นแสงซิลิกอนหรือควอตซ์ถูกรวมเข้ากับเวเฟอร์ซิลิคอนโดยใช้เทคโนโลยีการผลิตวงจรอิเล็กทรอนิกส์ ในการสื่อสาร การแตกแขนงและการรวมเส้นทางการสื่อสารด้วยแสงจะดำเนินการโดยการรบกวนด้วยแสง การมัลติเพล็กซ์/ดีมัลติเพล็กซ์ด้วยความยาวคลื่น และอื่นๆ ในทำนองเดียวกัน
2. วิธี Backpropagation (BP): อัลกอริธึมการเรียนรู้ที่ใช้บ่อยที่สุดในการเรียนรู้เชิงลึก การไล่ระดับน้ำหนักของน้ำหนัก (พารามิเตอร์) ในเครือข่ายจะได้รับในขณะที่เผยแพร่สัญญาณข้อผิดพลาดย้อนหลัง และน้ำหนักจะได้รับการอัปเดตเพื่อให้ข้อผิดพลาดมีขนาดเล็กลง เนื่องจากกระบวนการ backpropagation ต้องการการขนย้ายเมทริกซ์น้ำหนักของแบบจำลองเครือข่ายและความแตกต่างแบบไม่เชิงเส้น จึงเป็นเรื่องยากที่จะนำไปใช้กับวงจรแอนะล็อก รวมทั้งสมองของสิ่งมีชีวิต
3. การคำนวณแบบอะนาล็อก: คอมพิวเตอร์ที่แสดงค่าจริง โดยใช้ปริมาณทางกายภาพ เช่น ความเข้มและเฟสของแสง และทิศทางและความเข้มของการหมุนของสนามแม่เหล็ก และทำการคำนวณโดยการเปลี่ยนปริมาณทางกายภาพเหล่านี้ตามกฎของฟิสิกส์
4. วิธีการจัดตำแหน่งแบบป้อนกลับโดยตรง (DFA): วิธีการคำนวณหลอกสัญญาณข้อผิดพลาดของแต่ละเลเยอร์โดยดำเนินการแปลงแบบสุ่มแบบไม่เชิงเส้นบนสัญญาณข้อผิดพลาดของเลเยอร์สุดท้าย เนื่องจากไม่ต้องการข้อมูลความแตกต่างของโมเดลเครือข่าย และสามารถคำนวณได้โดยการแปลงแบบสุ่มแบบคู่ขนานเท่านั้น จึงเข้ากันได้กับการคำนวณแบบอะนาล็อก
5. การคำนวณอ่างเก็บน้ำ: ประเภทของเครือข่ายประสาทที่เกิดซ้ำพร้อมการเชื่อมต่อที่เกิดซ้ำในเลเยอร์ที่ซ่อนอยู่ มีลักษณะเป็นการเชื่อมต่อแบบสุ่มในชั้นกลางที่เรียกว่าชั้นอ่างเก็บน้ำ ในการคำนวณอ่างเก็บน้ำลึก การประมวลผลข้อมูลจะดำเนินการโดยการเชื่อมต่อชั้นอ่างเก็บน้ำในหลายชั้น

NTT และโลโก้ NTT เป็นเครื่องหมายการค้าจดทะเบียนหรือเครื่องหมายการค้าของ NIPPON TELEGRAPH AND TELEPHONE CORPORATION และ/หรือบริษัทในเครือ ชื่อผลิตภัณฑ์อ้างอิงอื่นๆ ทั้งหมดเป็นเครื่องหมายการค้าของเจ้าของที่เกี่ยวข้อง © 2023 NIPPON TELEGRAPH AND TELEPHONE CORPORATION

ติดต่อ

สตีเฟน รัสเซลล์

การสื่อสารผ่านสาย®

สำหรับเอ็นทีที

สายด่วนของเรา +1-804-362-7484

[ป้องกันอีเมล]