NTT an d'Universitéit vun Tokyo entwéckelen déi éischt optesch Computing AI op der Welt mat engem Algorithmus inspiréiert vum mënschleche Gehir

Zesummenaarbecht fördert déi praktesch Uwendung vu Low-Power, High-Speed ​​AI baséiert op opteschen Informatik

TOKYO - (BUSINESS WIRE) -#TechforGood-NTT Corporation Kapitaléierung (President a CEO: Akira Shimada, "NTT") an der Universitéit Tokyo (Bunkyo-ku, Tokyo, President: Teruo Fujii) hunn en neie Léieralgorithmus entworf inspiréiert vun der Informatiounsveraarbechtung vum Gehir, dee gëeegent ass fir multi-layered kënschtlech neural Netzwierker (DNN) mat analoge Operatiounen. Dësen Duerchbroch wäert zu enger Reduktioun vum Stroumverbrauch an der Berechnungszäit fir AI féieren. D'Resultater vun dëser Entwécklung goufen an der britescher wëssenschaftlecher Zäitschrëft publizéiert Natur Kommunikatiouns Den 26. Dezember^th.

D'Fuerscher hunn déi éischt Demonstratioun vun der Welt vun effizient ausgefouerten opteschen DNN Léieren erreecht andeems den Algorithmus op en DNN applizéiert gëtt deen optesch Analog Berechnung benotzt, wat erwaart gëtt fir High-Speed-, Low-Power Maschinnléierapparater z'erméiglechen. Zousätzlech hunn se déi héchst Leeschtung vun der Welt vun engem multi-layered kënschtlechen neuralen Netzwierk erreecht deen analog Operatiounen benotzt.

An der Vergaangenheet goufen High-load Léierberechnungen duerch digitale Berechnunge gemaach, awer dëst Resultat beweist datt et méiglech ass d'Effizienz vum Léierdeel ze verbesseren andeems Dir analoge Berechnungen benotzt. An Deep Neural Network (DNN) Technologie gëtt e widderhuelend neuralt Netzwierk genannt Deep Reservoir Computing berechent andeems en opteschen Puls als Neuron an en netlinearen opteschen Ring als neuralt Netzwierk mat rekursive Verbindungen ugeholl gëtt. Andeems Dir den Ausgangssignal an deeselwechten opteschen Circuit nei-input, gëtt d'Netzwierk kënschtlech verdéift.

DNN Technologie erméiglecht fortgeschratt kënschtlech Intelligenz (AI) wéi Maschinn Iwwersetzung, autonom Fuere a Robotik. De Moment ass d'Kraaft an d'Berechnungszäit erfuerderlech eropgaang mat engem Taux deen de Wuesstum vun der Leeschtung vun digitale Computeren iwwerschreift. DNN Technologie, déi Analog Signalrechnungen benotzt (analog Operatiounen), gëtt erwaart eng Method ze sinn fir Héicheffizienz an Héichgeschwindeg Berechnungen ähnlech wéi den neurale Netzwierk vum Gehir ze realiséieren. D'Zesummenaarbecht tëscht NTT an der University of Tokyo huet en neien Algorithmus entwéckelt, deen gëeegent ass fir eng analog Operatioun DNN, déi net d'Verstoe vun de Léierparameteren am DNN enthält.

Déi proposéiert Method léiert andeems d'Léierparameter geännert gëtt baséiert op der leschter Schicht vum Netz an der netlinearer zoufälleger Transformatioun vum Feeler vum gewënschten Ausgangssignal (Feelersignal). Dës Berechnung mécht et méi einfach Analog Berechnungen a Saache wéi optesch Kreesleef ëmzesetzen. Et kann och net nëmmen als Modell fir kierperlech Implementatioun benotzt ginn, awer och als modernste Modell benotzt an Uwendungen wéi Maschinn Iwwersetzung a verschidde AI Modeller, dorënner den DNN Modell. Dës Fuerschung gëtt erwaart bäidroe fir opkomende Probleemer mat AI Computing ze léisen, dorënner Stroumverbrauch a verstäerkte Berechnungszäit.

Zousätzlech fir d'Uwendbarkeet vun der Method, déi an dësem Pabeier fir spezifesch Probleemer proposéiert gëtt, z'ënnersichen, wäert d'NTT och grouss- a kleng-Skala Integratioun vun opteschen Hardware förderen, fir eng High-Speed, Low-Power optesch Rechenplattform fir zukünfteg optesch Rechenplattform ze etabléieren. Netzwierker.

Ënnerstëtzung fir dës Fuerschung:

JST / CREST ënnerstëtzt en Deel vun dëse Fuerschungsresultater.

Zäitschrëft Publikatioun:

Magazine: Natur Kommunikatiouns (Online Versioun: 26. Dezember)

Artikeltitel: Kierperlech Deep Learning mat biologesch inspiréierter Trainingsmethod: Gradientfräi Approche fir kierperlech Hardware

Auteuren: Mitsumasa Nakajima, Katsuma Inoue, Kenji Tanaka, Yasuo Kuniyoshi, Toshikazu Hashimoto, a Kohei Nakajima

Erklärung vun der Terminologie:

1. Optesch Circuit: E Circuit an deem Silizium oder Quarz optesch Wellenleitungen op e Siliziumwafer integréiert sinn mat der elektronescher Circuit Fabrikatiounstechnologie. An der Kommunikatioun ginn d'Verzweigung an d'Fusioun vun opteschen Kommunikatiounsweeër duerch optesch Interferenz, Wellelängtmultiplexing / Demultiplexing, an dergläiche gemaach.
2. Backpropagation (BP) Method: Dee meescht benotzte Léieralgorithmus am Deep Learning. Gradienten vu Gewiichter (Parameteren) am Netz ginn kritt wärend de Feelersignal no hannen propagéiert, an d'Gewichte ginn aktualiséiert sou datt de Feeler méi kleng gëtt. Zënter de Réckpropagatiounsprozess erfuerdert d'Transpositioun vun der Gewiicht Matrix vum Netzmodell an net-linearer Differenzéierung, ass et schwéier op Analog Circuits ëmzesetzen, och d'Gehir vun engem liewegen Organismus.
3. Analog Rechenzäit: E Computer deen reell Wäerter ausdréckt benotzt kierperlech Quantitéite wéi d'Intensitéit an d'Phas vum Liicht an d'Richtung an d'Intensitéit vu magnetesche Spinn a mécht Berechnungen duerch d'Verännerung vun dëse kierperleche Quantitéiten no de Gesetzer vun der Physik.
4. Direkte Feedback Ausriichtung (DFA) Method: Eng Method fir d'Pseudo-Berechnung vum Fehlersignal vun all Layer duerch eng net-linear zoufälleg Transformatioun op de Feelersignal vun der leschter Schicht. Well et keng Differentialinformatioun vum Netzmodell erfuerdert a ka just duerch parallel zoufälleg Transformatioun berechent ginn, ass et kompatibel mat der analoger Berechnung.
5. Reservoir Computing: Eng Aart vu widderhuelend neuralt Netzwierk mat widderhuelende Verbindungen an der verstoppter Schicht. Et ass charakteriséiert duerch zoufälleg fixéiert Verbindungen an enger Zwëschenschicht genannt Reservoirschicht. Am Deep Reservoir Computing gëtt Informatiounsveraarbechtung duerchgefouert andeems Reservoirschichten a multiple Schichten verbënnt.

NTT an den NTT Logo sinn registréiert Marken oder Marken vun NIPPON TELEGRAPH AND TELEPHONE CORPORATION an/oder seng Filialen. All aner referenzéiert Produktnimm sinn Marke vun hire jeeweilege Besëtzer. © 2023 NIPPON TELEGRAPH AN TELEFON CORPORATION

Kontakter

Stephen Russell

Wireside Kommunikatiounen®

Fir NTT

+ 1-804-362-7484

[Email geschützt]