研究人員開發新的人工智能系統利用光進行聯想學習

牛津大學材料系的研究人員與Exeter和Munster的同事合作，開發了一種片上光學處理器，其檢測數據集相似性的速度比在電子處理器上運行的傳統機器學習算法快1000倍。

發表在Optica上的這項新研究的靈感來自諾貝爾獎獲得者伊萬·巴甫洛夫(IvanPavlov)對經典條件反射的發現。在他的實驗中，巴甫洛夫發現，通過在喂食過程中提供另一種刺激，例如鈴鐺或節拍器的聲音，他的狗開始將這兩種體驗聯系起來，并且只聽到聲音就會流口水。兩個不相關的事件配對在一起的重復關聯可以產生一種習得的反應——一種條件反射。

共同第一作者JamesTanYouSian博士在牛津大學材料系攻讀博士學位，他說：“巴甫洛夫聯想學習被認為是塑造人類行為的基本學習形式。和動物——但在人工智能系統中的采用在很大程度上是聞所未聞的。我們對巴甫洛夫學習與光學并行處理的研究證明了各種人工智能任務的令人興奮的潛力。

大多數人工智能系統中使用的神經網絡在學習過程中通常需要大量數據示例——訓練模型以可靠地識別貓可能使用多達10,000張貓/非貓圖像——計算和處理成本很高。

AMLE輸入與正確的輸出配對以監督學習過程，并且可以使用光信號重置記憶材料。在測試中，僅用五對圖像訓練后，AMLE就可以正確識別貓/非貓圖像。

與傳統電子芯片相比，新型光學芯片具有相當可觀的性能，這歸因于設計上的兩個關鍵差異：

一種獨特的網絡架構，將聯想學習作為構建塊，而不是使用神經元和神經網絡

使用“波分復用”在單個通道上發送不同波長的多個光信號以提高計算速度

芯片硬件使用光來發送和檢索數據，以最大限度地提高信息密度——同時發送不同波長的多個信號進行并行處理，從而提高識別任務的檢測速度。每個波長都會提高計算速度。

明斯特大學的合著者WolframPernice教授解釋說：“該設備自然地捕捉數據集中的相似性，同時使用光并行這樣做以提高整體計算速度——這可能遠遠超過傳統電子芯片的能力。”

現在復旦大學的共同第一作者鄭增光教授澄清說，聯想學習方法可以補充而不是取代神經網絡。

“對于不需要對數據集中高度復雜的特征進行大量分析的問題，它更有效，”程教授說。“許多學習任務都是基于數量的，沒有那種復雜程度——在這些情況下，聯想學習可以更快地完成任務，并且計算成本更低。”

“越來越明顯的是，人工智能將成為我們將在人類歷史的下一階段見證的許多創新的中心。這項工作為實現快速光學處理器鋪平了道路，該處理器捕獲特定類型人工智能計算的數據關聯，盡管有未來仍有許多令人興奮的挑戰，”領導這項研究的HarishBhaskaran教授說。