Прорыв в машинном обучении: ученые задумались над созданием нейронной сети из света
Машинное обучение и искусственный интеллект требуют все более сложных нейронных сетей, что приводит к значительным затратам энергии и времени на обучение. Например, обучение GPT-3 потребляло более 1000 мегаватт-час энергии, что эквивалентно ежедневному потреблению небольшого города.
Переход к нейроморфным вычислениям предполагает замену нейронных сетей, реализованных на архитектуре фон Неймана, физическими нейронными сетями, имитирующими работу мозга. Оптика и фотоника особенно перспективны в этой области, так как они минимизируют энергопотребление и позволяют выполнять вычисления на высоких скоростях. Однако до сих пор существовали две основные проблемы: необходимость в лазере высокой мощности для создания оптической нейросети и отсутствие эффективного метода обучения таких сетей.
В новом подходе, который решает эту проблему, входные данные запечатлеваются через изменение пропускания света, что позволяет обработать входной сигнал произвольным образом. Это позволяет избежать сложных физических взаимодействий и требует световых полей меньшей мощности.
С помощью моделирования авторы показали, что их метод может использоваться для задач классификации изображений с той же точностью, что и цифровые нейронные сети. Это открывает новые возможности для нейроморфных устройств, позволяя проводить машинное обучение на широком спектре платформ. -0-