Fysikere har laget et elektrisk nettverk som kan lære

Et team av forskere ledet av fysikeren Samuel Dillavou satte sammen et lite elektrisk nettverk ved å koble til

tilfeldig 16 motstander.Forskerne setter spenningen til spesifikke inngangsnoder og leser utgangsnodene. Ved å justere motstandene uavhengig, lærte nettverket å produsere de ønskede dataene for et gitt sett med inngangsverdier.

"Nettverket er konfigurert til å utføre mangeenkle AI-oppgaver, sier Dillavu. "For eksempel kan den skille mellom tre typer irisblomster med mer enn 95% nøyaktighet basert på fire parametere: lengden og bredden på kronbladene og begerbladene."

For maskinlæring er AI vanligvisved bruk av kunstige nevrale nettverk. Slike nettverk eksisterer vanligvis bare i datamaskinens minne. Et nevralt nettverk består av punkter eller noder, som hver kan ha en verdi fra 0 til 1, forbundet med kanter. Hver kant har sin egen vekt avhengig av verdiene i nodene. Når du trener et slikt system, er det nødvendig å justere vekten på kantene for å oppnå ønsket resultat.

"Dette er et vanskelig optimaliseringsproblemøker betydelig med størrelsen på nettverket og krever en stor mengde dataressurser,” bemerker Dillavu. "Situasjonen er komplisert av det faktum at alle kantene må stilles inn samtidig."

For å omgå dette problemet lette fysikere etter systemer som kunne justere seg selv uten eksterne beregninger.

I sin forskning bygde forskerne toidentiske nettverk oppå hverandre. I et lukket nettverk brukte de spenning og registrerte de nødvendige verdiene på utgangselementene. I et åpent nettverk ble bare spenningen over inngangsmotstanden stilt inn.

Systemet regulerte motstanden på motstandenei to nettverk avhengig av spenningsforskjellen mellom identiske noder i hver av dem. Over flere iterasjoner brakte disse justeringene alle spenninger over alle motstander i de to nettverkene på linje. Systemet har lært å produsere riktig utgang for gitte inngangsverdier.

Foto: Vitenskap

"Dette oppsettet krever lite beregning,sier Dillavu. — Systemet trenger kun å sammenligne spenningsfallet over de respektive motstandene i det lukkede og frie nettverket ved hjelp av en komparator. Arbeidet vårt beviser den grunnleggende muligheten for en ny måte for maskinlæring som ikke krever store beregninger."

Les mer:

«James Webb» tok historiens klareste bilde av en stjerne

Frivillig død. Vi forteller hvordan eutanasi-prosedyren fungerer over hele verden

Forskere snubler over 1500 år gammel arkeologisk anomali