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。”

原文发布于微信公众号 - 人工智能快报(AI_News)

原文发表时间:2016-11-23

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏程序你好

什么是机器学习和人工智能以及它们之间的差异

机器学习和人工智能的区别:“好的,谷歌!有什么事吗?你能演奏我最喜欢的曲目或者预订一辆从宫殿路到MG路的出租车吗?”

941
来自专栏专知

35页自然语言处理深度学习综述,带你纵览NLP知识全貌

【导读】随着深度学习技术的蓬勃发展,自然语言处理领域也是日新月异,本文为大家带来了最新的基于深度学习的自然语言处理综述,希望能够帮助大家了解NLP领域中的最新进...

6492
来自专栏镁客网

新算法可以优化三维重建,极大推动AR中的对象跟踪速度

1850
来自专栏数据科学与人工智能

【机器学习】理解深度学习 vs 机器学习 vs 模式识别

本文我们来关注下三个非常相关的概念(深度学习、机器学习和模式识别),以及他们与2015年最热门的科技主题(机器人和人工智能)的联系。 ? 图1 人...

2118
来自专栏机器人网

三个相关概念:深度学习Vs机器学习Vs模式识别

本文我们来关注下三个非常相关的概念(深度学习、机器学习和模式识别),最热门的科技主题(机器人和人工智能)的联系。

872
来自专栏人工智能

每个人都应该知道的十个机器学习常识

当别人在高谈阔论机器学习时,你却插不上嘴,这是一种怎样的体验?不懂机器学习没有关系,但你一定要知道下面的十个机器学习基本常识。曾经在Endeca、谷歌和Link...

2095
来自专栏人工智能头条

AI 迟早灭了程序员

就目前的 AI 来看,判断某项工作是不是会被机器替代,有俩前提,大前提:可以获得足够的有效数据(能自动生成数据则无敌),也就是说机器有快速进化的基础;小前提:人...

762
来自专栏CSDN技术头条

整理:深度学习 vs 机器学习 vs 模式识别

本文来自CMU的博士,MIT的博士后,vision.ai的联合创始人Tomasz Malisiewicz的个人博客文章,阅读本文,你可以更好的理解计算机视觉是怎...

19510
来自专栏CDA数据分析师

入门 | 做数据科学如烤蛋糕?不服来看

面部识别、自动驾驶、机器人统治世界?!还有那个令人毛骨悚然的机器人女孩,索菲亚。emmm…还有黑镜?

1022
来自专栏AI科技评论

Yann LeCun演讲图文:如何让AI学习常识,AI未来趋势又在何方 | GMIC 2018

人工智能作为一个发展中的技术,其实还在演进的过程当中,有所能为,有所不能为,因此还有很多亟待解决的问题

1103

扫码关注云+社区

领取腾讯云代金券