Новости

Исследователи создали нейронную сеть на базе света вместо традиционных чипов и электронов

Исследователи создали нейронную сеть на базе света вместо традиционных чипов и электронов

Нейронные сети являются достаточно ресурсоёмкими с точки зрения потребления вычислительной мощности систем. Но на самом деле лишь на этапе обучения нейронной сети требуется высокая производительность компьютерного аппаратного обеспечения, когда выполняются постоянные передачи данных в память и обратно при построении искусственных нейронов. В то же время использование уже обученной нейронной сети является сравнительно простым процессом, не требующим значительных вычислительных ресурсов. Фактически, этапы обучения и использования могут выполняться на совершенно разных аппаратных средствах.

Исследователи из Лос-Анджелеса предложили радикальный подход в этой сфере. После обучения нейронной сети с использованием традиционного компьютерного оборудования они напечатали на 3D-принтере набор панелей, которые управляли светом таким образом, чтобы был достигнут эквивалент обработке информации с использованием нейронной сети. В конце концов, они получили производительность со скоростью света, хотя и с несколько меньшей точностью по сравнению с более традиционным оборудованием.

Сначала кратко опишем структуру и принцип действия нейронной сети глубокого обучения. Она включает несколько слоёв, которые последовательно проходятся сигналами с предыдущего слоя или источника сигналов. Эти сигналы на каждом уровне обрабатываются «нейронами», а затем образуется результирующий сигнал, который передаётся к следующему уровню. Обучение нейронной сети определяет, на какие нейроны в дальнейшем передаются сигналы и какую силу они имеют.

Исследователи реализовали такую систему при помощи света и полупрозрачных панелей, способных преломлять свет. Когда свет падает на такую поверхность, то её структура определяет, какие лучи света пройдут сквозь панель, в каком количестве и в каком направлении. Вторая пластина, размещённая за первой, снова перенаправляет лучи света в заданные участки последующей пластины и т.д. Исследователи обучили нейронную сеть, напечатав на 3D-принтере специфические панели, чтобы при прохождении света сквозь них лучи концентрировались в определенной области. Разместив сенсоры в определенных местах за последней панелью, они могут определить, где в конечном итоге заканчивают свой путь лучи света. И, если всё сделано правильно, при помощи сенсоров можно получить решение нейронной сети.

Курс
Розробка на Python
Опануйте популярну мову програмування, щоб заробляти від $1300 через рік
РЕЄСТРУЙТЕСЯ!
Розробка на Python

Авторы применили такой подход в двух различных задачах по распознаванию изображений. В первом случае они обучили нейронную сеть распознавать рукописные цифры, используя 10 фотосенсоров для распознавания результата. При этом использовалась 5-слойная нейронная сеть – было напечатано 5 специфических панелей, манипулирующих светом. Чтобы обеспечить ввод данных в нейронную сеть, они также распечатали лист, который позволил им проецировать объекты на первый уровень нейронной сети.

Однако при этом исследователи столкнулись с проблемой. Многие цифры, например, 0 и 9, имеют пустые области, окружённые написанной частью цифры. И при 3D-печати маски для таких цифр для проецирования света в форме цифры нужно сделать негатив изображения. Т.е. там, где проходит линия написанной цифры, должно быть пустое пространство для пропуска света, а пустое пространство цифры должно быть непроницаемым для света. Таким образом, исследователям нужно было как бы подвесить в пространстве внутренние части цифр. Но при 3D-печати им всё же было необходимо оставить небольшое количество материала для удерживания этих областей. Это привело к тому, что часть света перекрывалась в тех областях, где лучи должны были проходить без помех. Это снизило точность всей системы при определении написанной цифры. Однако точность всё же составляет более 90%. Также исследователи подобным образом выполнили тест и для распознавания предметов одежды. Общая точность в этой задаче составила 86%. Исследователи полагают, что для повышения точности необходимо создавать  чрезвычайно точные алгоритмы на базе всех слоёв нейронной сети, а этого сложно достичь, используя в качестве слоёв небольшие физические пластины. Частично эту проблему можно устранить, добившись большей точности подгонки пластин. Но по мере увеличения количества слоёв сети задача будет всё усложняться.

Авторы считают, что у их идеи может быть и практическое применение с высокой производительностью, так как свет проходит через сеть практически мгновенно, но прежде нужно устранить выявленные проблемы.

Источник: arstechnica


Завантаження коментарів...

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам: