科学家研制出具有更好自学能力的计算机

物理研究门户网站phys.org发文称科学家开发出了一种基于神经启发的模拟计算机，它能够在执行任务时通过自我训练将自己变得更好。这个基于一种名为“储备池计算”的人工智能算法的新系统不仅可以在应对困难计算任务时比不使用新算法的实验性储备池计算机(Reservoir computer)有更好的表现，而且还可以处理非常有挑战性的、通常被认为超越了传统储备池计算机能力的任务。

这项成果由比利时布鲁塞尔自由大学的研究者Michiel Hermans、Piotr Antonik、Marc Haelterman和Serge Massar完成，相关论文已在《物理评论快报》(Physical Review Letters)上发表。成果凸显了自主学习硬件在处理复杂任务时的潜在优势，也证实了自主学习系统—它们在高能源效率和超高速度方面的潜力—可能会延长摩尔定律(Moore's law)的生命。

Antonik对phys.org网站表示：“一方面，在过去的十年里，人工智能一直在快速进步，如在图像识别中取得的惊人进展，以及计算机首次击败了人类围棋世界冠军。这种进步很大程度上是由于使用了误差反向传播算法。另一方面，在学术界和产业界（例如IBM和惠普公司），有越来越多的人对借助模拟脑启发计算来延续摩尔定律的有效性产生了兴趣。我们的工作表明，在一定条件下，可以使用与模拟计算相同的硬件来实现反向传播算法，这可以提高这些硬件系统的性能。”

储备池计算是在过去的十年中发展起来的一种神经算法，主要启发来自于大脑处理信息的能力。早期的研究表明，储备池计算可以解决复杂的计算任务，如语音和图像识别，并可以取得比传统算法更好的效率。最近的研究表明，在一些特定的光学实验中，对储备池计算的某些实验性实现，可以取得与数字实验相当的效果。

最近几年，科学家们已经证实，通过与另一种被称为“反向传播”的算法结合，储备池计算的性能可以得到提高。反向传播算法是人工智能核心领域的最新进展。2016年早些时候，一台基于该算法的计算机击败了人类围棋世界冠军。

反向传播算法的基本思想是：系统执行成千上万次的迭代计算，每次迭代可以减少一点计算误差，从而使计算值越来越接近最优值。最终，重复计算为系统提供了一种能够解决问题的改进方法。研究人员已经证实，该算法可以完成比不使用反向传播算法的储备池计算系统复杂三倍的任务。现有的系统基于一种延迟耦合的光电系统，在该系统中，信息被编码为在光纤中传播的光脉冲强度。研究的关键是在相同的设置下在物理上实现储备池计算机和反向传播算法。

研究人员已利用该系统完成了三项任务：包括一项语音识别任务(TIMIT)，一项通常用来测试储备池电脑(NARMA10)的学术任务，和一项复杂的、被认为超越了传统储备池计算能力的非线性任务(VARDEL5)。完成第三项任务表明这种能自我训练的新系统有扩大神经形态系统计算领域的潜力。Antonik表示：“我们正在努力将实验性储备池计算扩展到尽可能大的适用范围。例如，我们正在设计一种算法，以用来产生周期性的模式并模拟混沌系统。”

虽然演示表明，新方法能够在多种有缺陷的实验条件下保持健壮性(robust)，目前的设置还是受到了一些数据处理和数据传输过程的速度限制，研究人员期望可以在未来的工作中得到改善。

Antonik表示：“我们的目标是提高实验速度。本实验使用了一个比较缓慢的系统，其中的神经元（内部变量）是被串行处理的。我们目前正在测试内部变量以并行方式处理的光子系统—我们称之为并行体系结构。这可以将计算速度提高几个数量级。在未来，我们可能会重新考察物理误差反向传播(physical error backpropagation)，但将在更快的并行系统中进行。”