Sieć „mózgu” nanoprzewodowego uczy się i zapamiętuje „w locie”

Kierująca badaniami profesor Zdenka Koncic stwierdziła, że ​​zadanie pamięciowe jest podobne do zapamiętywania numeru telefonu. Sieć wykorzystano także do wykonania standardowego zadania rozpoznawania obrazów, uzyskując dostęp do obrazów w bazie danych MNIST Handwriting Digit Database, zbiorze 70 000 obrazów w małej skali szarości wykorzystywanych w uczeniu maszynowym.

„Nasze poprzednie badania wykazały zdolność sieci nanoprzewodowych do zapamiętywania prostych zadań. Ta praca rozszerzyła te ustalenia, pokazując, że zadania można wykonywać przy użyciu dynamicznych danych, do których można uzyskać dostęp przez Internet” – powiedziała.

„To ważny krok naprzód, ponieważ osiągnięcie możliwości uczenia się online jest wyzwaniem w przypadku dużych ilości danych, które mogą stale się zmieniać. Standardowe podejście polega na przechowywaniu danych w pamięci, a następnie wytrenowaniu modelu uczenia maszynowego przy użyciu przechowywanych informacji. Ale to jest Używanie go na dużą skalę wymagałoby zbyt dużo energii.

„Nasze nowe podejście pozwala sieci nanoneuronowej uczyć się i zapamiętywać „w locie”, próbka po próbce i wyodrębniać dane online, unikając w ten sposób dużego zużycia pamięci i energii”.

Chu powiedział, że przetwarzanie informacji online ma inne zalety.

„Jeśli dane są przesyłane strumieniowo w sposób ciągły, na przykład z czujnika, uczenie maszynowe oparte na sztucznych sieciach neuronowych będzie wymagało możliwości dostosowywania się w czasie rzeczywistym, do czego nie jest obecnie zoptymalizowane”. Powiedział.

W tym badaniu sieć neuronowa w nanoskali wykazała rekordową zdolność uczenia maszynowego, uzyskując 93,4% punktów za prawidłową identyfikację obrazów testowych. Zadanie pamięciowe polegało na zapamiętaniu sekwencji maksymalnie ośmiu liczb. W przypadku obu zadań dane przesyłano strumieniowo do sieci, aby zademonstrować zdolność narzędzia do uczenia się online i pokazać, jak pamięć wspomaga tę naukę.