Ученые из Университета Пенсильвании открыли новый подход к машинному обучению. Обычная электрическая цепь самостоятельно научилась распознавать цветы по размеру лепестков.
Группа ученых под руководством физика Сэмюэла Диллаву собрала небольшую электрическую сеть, соединив случайным образом 16 резисторов. Исследователи устанавливают напряжение для определенных входных узлов и считывают показатели выходных узлов. Самостоятельно регулируя резисторы, сеть научилась производить желаемые данные для заданного набора исходных значений.
«Сеть была настроена для выполнения множества простых задач ИИ, — говорит Диллаву. — Например, она может различать три вида цветков ириса с точностью более 95% на основе четырех параметров: длины и ширины лепестков и чашелистиков».
Для машинного обучения ИИ, как правило, используют искусственные нейронные сети. Такие сети обычно существуют только в памяти компьютера. Нейронная сеть состоит из точек или узлов, каждый из которых может принимать значение от 0 до 1, соединенных ребрами. Каждое ребро имеет свой вес в зависимости от значений в узлах. При обучении такой системы требуется проводить регулировку веса ребер, чтобы получить нужный результат.
«Это сложная проблема оптимизации, которая значительно возрастает с увеличением размера сети и требует большого количества вычислительных ресурсов», — отмечает Диллаву. — Ситуация усложняется тем, что все ребра должны настраиваться одновременно».
Чтобы обойти эту проблему, физики искали системы, которые могли бы настраивать себя без внешних вычислений.
В своем исследователи ученые построили две идентичные сети друг над другом. В замкнутой сети они подавали напряжение и фиксировали на выходных элементах нужные значения. В открытой сети устанавливалось только напряжение на входном резисторе.
Система регулировала сопротивление на резисторах в двух сетях в зависимости от разницы напряжений между идентичными узлами в каждой из них. За нескольких итераций эти корректировки привели все напряжения во всех резисторах в двух сетях в соответствие. Система научилась выдавать правильные выходные данные для заданных исходных значений.
«Эта настройка требует незначительных вычислений, — говорит Диллаву. —Системе нужно только сравнить падение напряжения на соответствующих резисторах в замкнутой и свободной сетях с помощью компаратора. Наша работа доказывает принципиальную возможность нового способа машинного обучения, который не требует больших вычислений».
Читать далее:
«Джеймс Уэбб» сделал самую четкую фотографию звезды в истории
Добровольная смерть. Рассказываем, как работает процедура эвтаназии во всем мире
Ученые наткнулись на археологическую аномалию 1500-летней давности