✅ИИ на базе простой электрической схемы

Самообучающаяся электрическая схема

Простая электрическая схема учится сама по себе, без помощи компьютера. Система обходит узкое место в настройке алгоритмов искусственного интеллекта.  у

Простая электрическая схема научилась распознавать цветы по размеру их лепестков. Это может показаться тривиальным по сравнению с системами искусственного интеллекта (ИИ), которые распознают лица в толпе, транскрибируют произносимые слова в текст и выполняют другие поразительные элементы. Тем не менее, крошечная схема затмевает обычные системы машинного обучения одним ключевым способом: она учит себя без какой—либо помощи компьютера, аналогично живому мозгу! Результат демонстрирует один из способов избежать огромного количества вычислений, обычно необходимых для настройки системы ИИ, проблема, которая может стать большим препятствием, поскольку такие программы становятся все более сложными.

“Это доказательство принципа”, - говорит Сэмюэл Диллаву, физик из Университета Пенсильвании, который представил работу здесь на этой неделе на ежегодном мартовском собрании Американского физического общества. “Мы узнаем что-то об обучении”.

В настоящее время стандартным инструментом для машинного обучения является искусственная нейронная сеть. Такие сети обычно существуют только в памяти компьютера, хотя некоторые исследователи нашли способы воплотить их в повседневных объектах. Нейронная сеть состоит из точек или узлов, каждый из которых может принимать значение от 0 до 1, соединенных линиями или ребрами. Каждое ребро взвешивается в зависимости от того, насколько коррелированы или антикоррелированы два узла.

Самообучающаяся электрическая схема

Узлы расположены слоями, причем первый слой принимает входы, а последний слой производит выходы. Например, первый слой может принимать в качестве входных данных цвет пикселей на черно - белых фотографиях. Выходной слой может состоять из одного узла, который дает 0, если на картинке изображена кошка, и 1, если на ней изображена собака.

Чтобы научить систему, разработчики обычно выставляют ее набору обучающих картинок и регулируют веса ребер, чтобы получить правильный результат. Это сложная задача оптимизации, которая значительно усложняется с размером сети и требует существенной компьютерной обработки, отличной от самой нейронной сети. Усложняя ситуацию, все ребра по всей сети должны быть настроены одновременно, а не один за другим. Чтобы обойти эту проблему, физики искали физические системы, которые могут эффективно настраивать себя без внешних вычислений.

Теперь Диллаву и его коллеги разработали систему, которая может сделать именно это. Они собрали небольшую сеть, случайным образом связав вместе 16 общих электрических компонентов, называемых регулируемыми резисторами, как и многие очистители труб. Каждый резистор служит ребром в сети, а узлы-это соединения, где встречаются выводы резисторов. Чтобы использовать сеть, исследователи устанавливают напряжения для определенных входных узлов и считывают напряжения выходных узлов. Регулируя резисторы, автоматизированная сеть научилась производить желаемые выходы для заданного набора входов.

Чтобы обучить систему с минимальным объемом вычислений и памяти, исследователи фактически построили две идентичные сети друг над другом. В “зажатой” сети они подавали входные напряжения и фиксировали выходное напряжение до нужного им значения. В “свободной” сети они фиксировали только входное напряжение, а затем позволяли всем остальным напряжениям плавать до любого значения, которое они будут, что обычно давало неправильное напряжение на выходе.

Затем система отрегулировала сопротивления в двух сетях в соответствии с простым правилом, которое зависело от того, была ли разность напряжений на резисторе в зажатой сети больше или меньше, чем разность напряжений на соответствующем резисторе в свободной сети. После нескольких итераций эти настройки привели все напряжения на всех узлах двух сетей в согласие и обучили обе сети давать правильный выход для данного входа.

Важно отметить, что настройка требует очень мало вычислений. Системе нужно только сравнить падение напряжения на соответствующих резисторах в зажатых и свободных сетях, используя относительно простой электрический виджет, называемый компаратором, говорит Диллаву.

Сеть была настроена для выполнения различных простых задач ИИ, сообщил Диллаву на встрече. Например, она может различать с точностью более 95% три вида ириса в зависимости от четырех физических измерений цветка: длины и ширины его лепестков и чашелистиков—листьев чуть ниже цветка. Это канонический тест ИИ, который использует стандартный набор из 150 изображений, 30 из которых использовались для обучения сети, говорит Диллаву.

Однако маловероятно, что сеть резисторов когда-либо заменит стандартные нейронные сети. С одной стороны, его реакция на разные входы, вероятно, должна меняться более резко, если сеть резисторов должна соответствовать способности искусственной нейронной сети проводить тонкие различия, говорит Диваллу.

Но Джейсон Рокс, физик из Бостонского университета, говорит, что не исключено, что идея может иметь некоторую технологическую полезность. “Если он сделан из электрических компонентов, вы сможете масштабировать его до микрочипа”, - говорит он. “Я думаю, что именно туда они идут с этим”.

По материалам журнала https://www.science.org