ການຮ່ວມມືກ້າວຫນ້າໃນການນໍາໃຊ້ພາກປະຕິບັດຂອງພະລັງງານຕ່ໍາ, ຄວາມໄວສູງ AI ອີງໃສ່ການຄອມພິວເຕີ optical
ໂຕກຽວ–(ສາຍທຸລະກິດ)–#TechforGood-ບໍລິສັດ NTT Corporation (ປະທານ ແລະ CEO: Akira Shimada, “NTT”) ແລະ University of Tokyo (Bunkyo-ku, ໂຕກຽວ, ປະທານ: Teruo Fujii) ໄດ້ວາງແຜນວິທີການຮຽນຮູ້ໃຫມ່ທີ່ໄດ້ຮັບການດົນໃຈໂດຍການປະມວນຜົນຂໍ້ມູນຂອງສະຫມອງທີ່ເຫມາະສົມສໍາລັບເຄືອຂ່າຍ neural ທຽມຫຼາຍຊັ້ນ (DNN) ໂດຍໃຊ້ການປະຕິບັດການປຽບທຽບ. ບາດກ້າວບຸກທະລຸນີ້ຈະນໍາໄປສູ່ການຫຼຸດຜ່ອນການບໍລິໂພກພະລັງງານ ແລະເວລາການຄິດໄລ່ສໍາລັບ AI. ຜົນໄດ້ຮັບຂອງການພັດທະນານີ້ໄດ້ຖືກຈັດພີມມາຢູ່ໃນວາລະສານວິທະຍາສາດອັງກິດ ການສື່ສານທໍາມະຊາດ ໃນວັນທີ 26 ທັນວາth.
ນັກຄົ້ນຄວ້າໄດ້ບັນລຸການສາທິດຄັ້ງທໍາອິດຂອງໂລກຂອງການຮຽນຮູ້ແບບ optical DNN ທີ່ປະຕິບັດໄດ້ຢ່າງມີປະສິດທິພາບໂດຍການນໍາໃຊ້ສູດການຄິດໄລ່ກັບ DNN ທີ່ໃຊ້ຄອມພິວເຕີ້ອະນາລັອກ optical, ເຊິ່ງຄາດວ່າຈະເຮັດໃຫ້ອຸປະກອນການຮຽນຮູ້ເຄື່ອງຈັກທີ່ມີຄວາມໄວສູງແລະພະລັງງານຕ່ໍາ. ນອກຈາກນັ້ນ, ພວກເຂົາເຈົ້າໄດ້ບັນລຸການປະຕິບັດທີ່ສູງທີ່ສຸດໃນໂລກຂອງເຄືອຂ່າຍ neural ທຽມຫຼາຍຊັ້ນທີ່ໃຊ້ການປະຕິບັດການປຽບທຽບ.
ໃນໄລຍະຜ່ານມາ, ການຄິດໄລ່ການຮຽນຮູ້ການໂຫຼດສູງແມ່ນປະຕິບັດໂດຍການຄິດໄລ່ດິຈິຕອນ, ແຕ່ຜົນໄດ້ຮັບນີ້ພິສູດວ່າມັນເປັນໄປໄດ້ທີ່ຈະປັບປຸງປະສິດທິພາບຂອງສ່ວນການຮຽນຮູ້ໂດຍໃຊ້ການຄິດໄລ່ແບບອະນາລັອກ. ໃນເທກໂນໂລຍີ Deep Neural Network (DNN), ເຄືອຂ່າຍ neural recurrent ເອີ້ນວ່າ deep reservoir computing ແມ່ນການຄິດໄລ່ໂດຍການສົມມຸດ optical pulse ເປັນ neuron ແລະວົງ optical nonlinear ເປັນ neural network ທີ່ມີການເຊື່ອມຕໍ່ recursive. ໂດຍການປ້ອນສັນຍານຜົນຜະລິດເຂົ້າກັບວົງຈອນ optical ດຽວກັນ, ເຄືອຂ່າຍໄດ້ຖືກສ້າງຂື້ນຢ່າງເລິກເຊິ່ງ.
ເທກໂນໂລຍີ DNN ຊ່ວຍໃຫ້ປັນຍາປະດິດ (AI) ກ້າວຫນ້າທາງດ້ານເຊັ່ນການແປພາສາເຄື່ອງຈັກ, ການຂັບລົດອັດຕະໂນມັດແລະຫຸ່ນຍົນ. ໃນປັດຈຸບັນ, ພະລັງງານແລະເວລາຄອມພິວເຕີ້ທີ່ຕ້ອງການແມ່ນເພີ່ມຂຶ້ນໃນອັດຕາທີ່ເກີນການເຕີບໂຕຂອງການປະຕິບັດຂອງຄອມພິວເຕີ້ດິຈິຕອນ. ເທກໂນໂລຍີ DNN, ເຊິ່ງໃຊ້ການຄິດໄລ່ສັນຍານອະນາລັອກ (ການດໍາເນີນງານແບບອະນາລັອກ), ຄາດວ່າຈະເປັນວິທີການປະຕິບັດການຄິດໄລ່ທີ່ມີປະສິດທິພາບສູງແລະຄວາມໄວສູງທີ່ຄ້າຍຄືກັບເຄືອຂ່າຍ neural ຂອງສະຫມອງ. ການຮ່ວມມືລະຫວ່າງ NTT ແລະມະຫາວິທະຍາໄລໂຕກຽວໄດ້ພັດທະນາສູດການຄິດໄລ່ໃຫມ່ທີ່ເຫມາະສົມສໍາລັບການດໍາເນີນງານແບບອະນາລັອກ DNN ທີ່ບໍ່ສົມມຸດຄວາມເຂົ້າໃຈກ່ຽວກັບຕົວກໍານົດການຮຽນຮູ້ທີ່ລວມຢູ່ໃນ DNN.
ວິທີການທີ່ສະເຫນີຮຽນຮູ້ໂດຍການປ່ຽນແປງຕົວກໍານົດການຮຽນຮູ້ໂດຍອີງໃສ່ຊັ້ນສຸດທ້າຍຂອງເຄືອຂ່າຍແລະການຫັນປ່ຽນແບບສຸ່ມ nonlinear ຂອງຄວາມຜິດພາດຂອງສັນຍານຜົນຜະລິດທີ່ຕ້ອງການ (ສັນຍານຄວາມຜິດພາດ). ການຄິດໄລ່ນີ້ເຮັດໃຫ້ມັນງ່າຍຕໍ່ການປະຕິບັດການຄິດໄລ່ແບບອະນາລັອກໃນສິ່ງຕ່າງໆເຊັ່ນວົງຈອນ optical. ມັນຍັງສາມາດຖືກນໍາໃຊ້ບໍ່ພຽງແຕ່ເປັນຕົວແບບສໍາລັບການປະຕິບັດທາງດ້ານຮ່າງກາຍ, ແຕ່ຍັງເປັນຕົວແບບທີ່ທັນສະໄຫມທີ່ໃຊ້ໃນຄໍາຮ້ອງສະຫມັກເຊັ່ນ: ການແປພາສາເຄື່ອງຈັກແລະຮູບແບບ AI ຕ່າງໆ, ລວມທັງຕົວແບບ DNN. ການຄົ້ນຄວ້ານີ້ຄາດວ່າຈະປະກອບສ່ວນເຂົ້າໃນການແກ້ໄຂບັນຫາທີ່ເກີດຂື້ນທີ່ກ່ຽວຂ້ອງກັບຄອມພິວເຕີ້ AI, ລວມທັງການໃຊ້ພະລັງງານແລະເວລາການຄິດໄລ່ເພີ່ມຂຶ້ນ.
ນອກເຫນືອໄປຈາກການກວດກາການນໍາໃຊ້ຂອງວິທີການທີ່ສະເຫນີໃນເອກະສານສະບັບນີ້ກັບບັນຫາສະເພາະ, NTT ຍັງຈະສົ່ງເສີມການລວມຂະຫນາດໃຫຍ່ແລະຂະຫນາດນ້ອຍຂອງຮາດແວ optical, ມີຈຸດປະສົງເພື່ອສ້າງຕັ້ງເວທີຄອມພິວເຕີ optical ຄວາມໄວສູງ, ພະລັງງານຕ່ໍາສໍາລັບການ optical ໃນອະນາຄົດ. ເຄືອຂ່າຍ.
ສະຫນັບສະຫນູນການຄົ້ນຄວ້ານີ້:
JST/CREST ສະຫນັບສະຫນູນສ່ວນຫນຶ່ງຂອງຜົນການຄົ້ນຄວ້າເຫຼົ່ານີ້.
ພິມວາລະສານ:
ວາລະສານ: ການສື່ສານທໍາມະຊາດ (ສະບັບອອນໄລນ໌: 26 ທັນວາ)
ຫົວຂໍ້ບົດຄວາມ: ການຮຽນຮູ້ເລິກທາງດ້ານຮ່າງກາຍດ້ວຍວິທີການຝຶກອົບຮົມທາງຊີວະວິທະຍາ: ວິທີການແບບເລື່ອນຊັ້ນສຳລັບຮາດແວທາງກາຍະພາບ
ຜູ້ຂຽນ: Mitsumasa Nakajima, Katsuma Inoue, Kenji Tanaka, Yasuo Kuniyoshi, Toshikazu Hashimoto, ແລະ Kohei Nakajima
ຄໍາອະທິບາຍຂອງ Terminology:
- ວົງຈອນ optical: ເປັນວົງຈອນທີ່ silicon ຫຼື quartz waveguides optical ປະສົມປະສານໃສ່ silicon wafer ນໍາໃຊ້ເຕັກໂນໂລຊີການຜະລິດວົງຈອນເອເລັກໂຕຣນິກ. ໃນການສື່ສານ, ການແຍກແລະການເຊື່ອມຕໍ່ຂອງເສັ້ນທາງການສື່ສານ optical ແມ່ນປະຕິບັດໂດຍ optical interference, wavelength multiplexing / demultiplexing, ແລະອື່ນໆ.
- ວິທີການ Backpropagation (BP): ເປັນວິທີການຮຽນຮູ້ທີ່ໃຊ້ທົ່ວໄປທີ່ສຸດໃນການຮຽນຮູ້ເລິກ. Gradients ຂອງນ້ໍາຫນັກ (ພາລາມິເຕີ) ໃນເຄືອຂ່າຍແມ່ນໄດ້ຮັບໃນຂະນະທີ່ກະຈາຍສັນຍານຄວາມຜິດພາດກັບຄືນໄປບ່ອນ, ແລະນ້ໍາຫນັກໄດ້ຖືກປັບປຸງເພື່ອໃຫ້ຄວາມຜິດພາດກາຍເປັນຂະຫນາດນ້ອຍ. ນັບຕັ້ງແຕ່ຂະບວນການຂະຫຍາຍພັນພືດດ້ານຫຼັງຮຽກຮ້ອງໃຫ້ມີການຖ່າຍທອດຕາຕະລາງນ້ໍາຫນັກຂອງຕົວແບບເຄືອຂ່າຍແລະຄວາມແຕກຕ່າງທີ່ບໍ່ແມ່ນເສັ້ນ, ມັນເປັນການຍາກທີ່ຈະປະຕິບັດໃນວົງຈອນການປຽບທຽບ, ລວມທັງສະຫມອງຂອງສິ່ງມີຊີວິດ.
- ຄອມພິວເຕີອະນາລັອກ: ເປັນຄອມພິວເຕີທີ່ສະແດງໃຫ້ເຫັນຄຸນຄ່າທີ່ແທ້ຈິງ
ການນໍາໃຊ້ປະລິມານທາງດ້ານຮ່າງກາຍເຊັ່ນຄວາມເຂັ້ມແຂງແລະໄລຍະຂອງແສງແລະທິດທາງແລະຄວາມເຂັ້ມແຂງຂອງສະປິນແມ່ເຫຼັກແລະປະຕິບັດການຄິດໄລ່ໂດຍການປ່ຽນແປງປະລິມານທາງດ້ານຮ່າງກາຍເຫຼົ່ານີ້ຕາມກົດຫມາຍຂອງຟີຊິກ. - ວິທີການຈັດຕໍາແໜ່ງຄໍາຕິຊົມໂດຍກົງ (DFA) : ວິທີການຄໍານວນ pseudo-ຄໍານວນສັນຍານຄວາມຜິດພາດຂອງແຕ່ລະຊັ້ນໂດຍປະຕິບັດການຫັນເປັນສຸ່ມ nonlinear ກ່ຽວກັບສັນຍານຄວາມຜິດພາດຂອງຊັ້ນສຸດທ້າຍ. ເນື່ອງຈາກວ່າມັນບໍ່ຕ້ອງການຂໍ້ມູນຄວາມແຕກຕ່າງຂອງຮູບແບບເຄືອຂ່າຍແລະສາມາດຄິດໄລ່ໄດ້ໂດຍການຫັນປ່ຽນແບບສຸ່ມຂະຫນານເທົ່ານັ້ນ, ມັນເຫມາະສົມກັບການຄິດໄລ່ແບບອະນາລັອກ.
- ຄອມພີວເຕີອ່າງເກັບນ້ໍາ: ປະເພດຂອງເຄືອຂ່າຍ neural recurrent ທີ່ມີການເຊື່ອມຕໍ່ຄືນໃຫມ່ໃນຊັ້ນເຊື່ອງໄວ້. ມັນມີລັກສະນະໂດຍການແກ້ໄຂການເຊື່ອມຕໍ່ແບບສຸ່ມໃນຊັ້ນກາງທີ່ເອີ້ນວ່າຊັ້ນອ່າງເກັບນ. ໃນຄອມພິວເຕີ້ອ່າງເກັບນ້ໍາເລິກ, ການປຸງແຕ່ງຂໍ້ມູນແມ່ນປະຕິບັດໂດຍການເຊື່ອມຕໍ່ຊັ້ນຂອງອ່າງເກັບນ້ໍາໃນຫຼາຍຊັ້ນ.
NTT ແລະໂລໂກ້ NTT ແມ່ນເຄື່ອງໝາຍການຄ້າທີ່ຈົດທະບຽນ ຫຼືເຄື່ອງໝາຍການຄ້າຂອງ NIPPON TELEGRAPH AND TELEPHONE CORPORATION ແລະ/ຫຼື ສາຂາຂອງມັນ. ຊື່ຜະລິດຕະພັນທີ່ອ້າງອີງອື່ນໆທັງໝົດແມ່ນເຄື່ອງໝາຍການຄ້າຂອງເຈົ້າຂອງຂອງເຂົາເຈົ້າ. © 2023 NIPPON Telegraph ແລະ Telephone CORPORATION
ຕິດຕໍ່ພົວພັນ
Stephen Russell
ສໍາລັບ NTT
+ 1-804-362-7484
ທີ່ມາ: https://thenewscrypto.com/ntt-and-the-university-of-tokyo-develop-worlds-first-optical-computing-ai-using-an-algorithm-inspired-by-the-human-brain/