NTT dan Universiti Tokyo Membangunkan AI Pengkomputeran Optik Pertama di Dunia Menggunakan Algoritma yang Diilhamkan oleh Otak Manusia

Kerjasama memajukan aplikasi praktikal AI berkelajuan rendah berkuasa rendah berdasarkan pengkomputeran optik

TOKYO–(KAWAD PERNIAGAAN)–#TechforGood-Perbadanan NTT (Presiden dan Ketua Pegawai Eksekutif: Akira Shimada, “NTT”) dan Universiti Tokyo (Bunkyo-ku, Tokyo, Presiden: Teruo Fujii) telah mencipta algoritma pembelajaran baharu yang diilhamkan oleh pemprosesan maklumat otak yang sesuai untuk rangkaian saraf tiruan (DNN) berbilang lapisan menggunakan operasi analog. Kejayaan ini akan membawa kepada pengurangan penggunaan kuasa dan masa pengiraan untuk AI. Hasil perkembangan ini diterbitkan dalam jurnal saintifik British Alam Komunikasi pada bulan Disember 26^th.

Penyelidik mencapai demonstrasi pertama di dunia bagi pembelajaran DNN optik yang dilaksanakan secara cekap dengan menggunakan algoritma pada DNN yang menggunakan pengiraan analog optik, yang dijangka membolehkan peranti pembelajaran mesin berkuasa rendah berkelajuan tinggi. Di samping itu, mereka telah mencapai prestasi tertinggi dunia bagi rangkaian saraf tiruan berbilang lapisan yang menggunakan operasi analog.

Pada masa lalu, pengiraan pembelajaran beban tinggi dilakukan dengan pengiraan digital, tetapi keputusan ini membuktikan bahawa adalah mungkin untuk meningkatkan kecekapan bahagian pembelajaran dengan menggunakan pengiraan analog. Dalam teknologi Rangkaian Neural Dalam (DNN), rangkaian saraf berulang yang dipanggil pengkomputeran takungan dalam dikira dengan mengandaikan nadi optik sebagai neuron dan cincin optik bukan linear sebagai rangkaian saraf dengan sambungan rekursif. Dengan memasukkan semula isyarat keluaran ke litar optik yang sama, rangkaian diperdalam secara buatan.

Teknologi DNN membolehkan kecerdasan buatan (AI) lanjutan seperti terjemahan mesin, pemanduan autonomi dan robotik. Pada masa ini, kuasa dan masa pengiraan yang diperlukan semakin meningkat pada kadar yang melebihi pertumbuhan dalam prestasi komputer digital. Teknologi DNN, yang menggunakan pengiraan isyarat analog (operasi analog), dijangka menjadi kaedah untuk merealisasikan pengiraan kecekapan tinggi dan berkelajuan tinggi serupa dengan rangkaian saraf otak. Kerjasama antara NTT dan Universiti Tokyo telah membangunkan algoritma baharu yang sesuai untuk operasi analog DNN yang tidak menganggap pemahaman tentang parameter pembelajaran yang disertakan dalam DNN.

Kaedah yang dicadangkan belajar dengan menukar parameter pembelajaran berdasarkan lapisan akhir rangkaian dan transformasi rawak tak linear ralat isyarat keluaran yang dikehendaki (isyarat ralat). Pengiraan ini memudahkan untuk melaksanakan pengiraan analog dalam perkara seperti litar optik. Ia juga boleh digunakan bukan sahaja sebagai model untuk pelaksanaan fizikal, tetapi juga sebagai model canggih yang digunakan dalam aplikasi seperti terjemahan mesin dan pelbagai model AI, termasuk model DNN. Penyelidikan ini dijangka menyumbang kepada menyelesaikan masalah yang timbul berkaitan dengan pengkomputeran AI, termasuk penggunaan kuasa dan peningkatan masa pengiraan.

Di samping mengkaji kebolehgunaan kaedah yang dicadangkan dalam kertas ini kepada masalah tertentu, NTT juga akan menggalakkan integrasi perkakasan optik berskala besar dan kecil, bertujuan untuk mewujudkan platform pengkomputeran optik berkelajuan tinggi dan berkuasa rendah untuk optik masa hadapan. rangkaian.

Sokongan untuk Penyelidikan ini:

JST/CREST menyokong sebahagian daripada hasil penyelidikan ini.

Penerbitan Majalah:

Majalah: Alam Komunikasi (Versi dalam talian：26 Dis)

Tajuk Artikel: Pembelajaran Mendalam Fizikal dengan Kaedah Latihan Inspirasi Biologi: Pendekatan Tanpa Kecerunan untuk Perkakasan Fizikal

Pengarang：Mitsumasa Nakajima, Katsuma Inoue, Kenji Tanaka, Yasuo Kuniyoshi, Toshikazu Hashimoto, dan Kohei Nakajima

Penjelasan Terminologi:

1. Litar optik: Litar di mana pandu gelombang optik silikon atau kuarza disepadukan pada wafer silikon menggunakan teknologi pembuatan litar elektronik. Dalam komunikasi, percabangan dan penggabungan laluan komunikasi optik dilakukan oleh gangguan optik, pemultipleksan/demultiplexing panjang gelombang, dan seumpamanya.
2. Kaedah Backpropagation (BP): Algoritma pembelajaran yang paling biasa digunakan dalam pembelajaran mendalam. Kecerunan pemberat (parameter) dalam rangkaian diperoleh semasa menyebarkan isyarat ralat ke belakang, dan pemberat dikemas kini supaya ralat menjadi lebih kecil. Memandangkan proses perambatan belakang memerlukan transposisi matriks berat model rangkaian dan pembezaan tak linear, sukar untuk dilaksanakan pada litar analog, termasuk otak organisma hidup.
3. Pengkomputeran analog: Komputer yang menyatakan nilai sebenar menggunakan kuantiti fizik seperti keamatan dan fasa cahaya dan arah dan keamatan putaran magnet dan melakukan pengiraan dengan menukar kuantiti fizik ini mengikut undang-undang fizik.
4. Kaedah penjajaran maklum balas langsung (DFA): Kaedah pengiraan pseudo isyarat ralat setiap lapisan dengan melakukan transformasi rawak tak linear pada isyarat ralat lapisan akhir. Oleh kerana ia tidak memerlukan maklumat pembezaan model rangkaian dan boleh dikira hanya dengan transformasi rawak selari, ia serasi dengan pengiraan analog.
5. Pengkomputeran takungan: Sejenis rangkaian saraf berulang dengan sambungan berulang dalam lapisan tersembunyi. Ia dicirikan oleh penetapan sambungan secara rawak dalam lapisan perantaraan yang dipanggil lapisan takungan. Dalam pengkomputeran takungan dalam, pemprosesan maklumat dilakukan dengan menyambungkan lapisan takungan dalam berbilang lapisan.

NTT dan logo NTT adalah tanda dagangan berdaftar atau tanda dagangan NIPPON TELEGRAPH AND TELEPHONE CORPORATION dan/atau sekutunya. Semua nama produk lain yang dirujuk adalah tanda dagangan pemilik masing-masing. © 2023 NIPPON TELEGRAPH AND TELEPHONE CORPORATION

Hubungi

Stephen Russell

Komunikasi Wireside®

Untuk NTT

+ 1-804-362-7484

[e-mel dilindungi]